Enhancing Hospitalized Patients' Palliative Care Referrals via Machine Learning-Based Predictive Modeling within Electronic Health Record Systems
Notice bibliographique
Résumé
Abstract Access to palliative care (PC) holds significance for hospital-admitted patients grappling with the symptoms of life limiting illnesses. Nonetheless, numerous such patients who could gain from PC fail to receive it promptly or even at all. We can leverage the prior year's historical data extracted from electronic health records of hospitalized patients to train a machine learning (ML) model. This model's purpose would be to prognosticate the requirement for PC consultation using real-time data. The model, operating as a semi-supervised system, will be integrated into institutional data pipelines, and utilized by a downstream display application overseen by the PC team. In cases where the PC team deems it suitable, a team member will communicate with the respective care team of the patient. The ML model's training efficacy will be assessed using the area under the curve (AUC) metric, employing a 20% reserved validation set. The threshold for PC consultations will be grounded in historical data. To enhance the ML model's precision, the pivotal variables within the model will be pinpointed, and any sources of biases or errors in the model will be identified for meticulous refinement. The AUC values of successive ML models will be juxtaposed with cross-validation data. Automatizing the referral procedure through electronic health record systems has the potential to usher in a more effective and streamlined approach to healthcare delivery.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».