Data Mining Pengelompokan Pasien Rawat Inap Berdasarkan Kelas Bpjs Menggunakan Metode Clustering (Studi Kasus : Rumah Sakit Umum Daerah Dr. Rm. Djoelham Binjai)
Notice bibliographique
Résumé
RSUD Dr. R.M. Djoelham Kota Binjai merupakan lembaga penyedia jasa layanan kesehatan berdiri sejak tahun 1927 di kota Binjai yang menyediakan pelayanan rawat inap bagi pasien yang sedang sakit, kecelakaan maupun pemulihan kondisi (pasca operasi). RSUD Dr. R.M. Djoelham memberikan pelayanan rawat inap yang baik, dari segi pelayanan yang diberikan perawat, pelayanan medis, pelayanan kamar, maupun fasilitas lainnya. BPJS kesehatan membantu ketersediaan untuk semua kebutuhan biaya dokter, obat-obatan, rawat inap, sampai dengan tindakan operasi. Pengelompokkan pasien rawat inap berdasarkan kelas BPJS menjadi hal yang penting pada database rumah sakit terdiri dari banyak kelas BPJS yang digunakan dalam kegiatan rawat inap rumah sakit. Namun, dalam kegiatan ini masih susah untuk didentifikasikan karena disetiap harinya banyak pasien masuk. Teknik data mining dapat menggali data kasus yang berjumlah besar dan menghasilkan informasi tentang pengelompokkan pasien rawat inap berdasarkan kelas BPJS sesuai dengan clustering masing-masing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,006 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».