Data-Driven Machine Learning Approaches to Cut Hospital Readmissions in USA
Notice bibliographique
Résumé
Readmissions in hospitals are a major challenge to healthcare systems globally and lead to increased cost, burden on clinical resources, and poor patient outcomes. Conventional methods of identifying readmission risk that commonly rely on rule-based models and clinician judgment have demonstrated poor predictive validity. New developments in machine learning (ML) offer potent alternatives, via the utilization of vast amounts of structured and unstructured healthcare information to detect intricate patterns, related to the risk of readmission. This paper will discuss the use of machine learning models, including logistic regression, random forests, gradient boosting and deep learning, to predict hospital readmissions in a variety of patients. We speak about the contribution of electronic health records (EHRs), demographic factors, comorbidities, medication adherence, and post-discharge follow-up variables to the enhanced model performance. Explainable AI methods are given a special focus to make the model prediction transparent and trusted by clinicians. Other important challenges that are identified in the review are data quality, class imbalance, bias, and generalizability in healthcare settings. Case studies reveal how predictive models can be used to initiate specific interventions, including improved discharge planning, telehealth monitoring, and tailored care coordination, which can in turn lead to a reduction in avoidable readmissions and eventually lead to better patient outcomes. A combination of machine learning with clinical workflows will enable healthcare organizations to transition to more proactive, data-driven, and cost-beneficial care. The results highlight the disruptive power of machine learning to solve the long-standing problem of hospital readmissions and define the areas of future research in designing ethical applications, interoperability, and policy.
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 | 0,018 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,012 | 0,018 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».