Постановка задачи
В сфере здравоохранения взаимодействие с пациентами является важной частью совместной работы медицинских работников и пациентов для улучшения здоровья. В течение всего процесса принятия решений, основанного на состоянии здоровья пациента, чем больше пациент остается вовлеченным в процесс, тем более надежные решения могут быть приняты в соответствии с данными пациента, записанными в ходе этого процесса. Кроме того, пациенты, которые активно участвуют в этом процессе, как правило, более здоровы и приводят к лучшим результатам в отношении здоровья по сравнению с теми, кто этого не делает.
Благодаря применению современных методов искусственного интеллекта и машинного обучения мы можем улучшить решения для взаимодействия с пациентами и услуги по управлению уходом. Некоторые популярные части включают в себя:
1. Понимать поведение пациентов
2. Своевременно реагировать на запросы пациентов
3. Индивидуальные и разумные решения для пациентов
Цель состоит в том, чтобы выявить пациентов из группы риска, которые намереваются отказаться от системы удаленного мониторинга здоровья компании через 2 месяца. Используя подходы машинного обучения, компания может иметь четкую представления о том, на что похожа основная вероятность и каковы потенциальные факторы для пациентов, которые выбывают из стационара, команда PES свяжется с этими прогнозируемыми пациентами, чтобы предотвратить выбывание.
Вопросы, которые будут изучены и на которые будут даны ответы в этом проекте, включают:
1. Какие пациенты относятся к группе риска, которые выпадут через 2 месяца?
2. Каковы некоторые основные причины прекращения лечения?
3. Какова вероятность выбывания для каждого пациента?
Ответы на все эти вопросы будут даны в разделе «Последствия и результаты лечения пациентов».
Репозиторий Github этого проекта находится в разделе Репозиторий Github для этого проекта.
Показатели успеха
- Метрика на тестовом наборе:
- ROC-кривая:
Ограничения
- Пациенты с нулевой частотой ответов на протяжении всего 2-месячного временного окна будут автоматически рассматриваться как выбывающая группа.
- В эту модель не включены пациенты, которые активны в системе менее 2 месяцев. Другими словами, пациенты должны непрерывно иметь записи данных в течение 2 месяцев.
…
Риски
- Несмотря на то, что в систему удаленного мониторинга включено большое количество пациентов, только около 43,65% всего вовлеченного населения будут активны в системе более 2 месяцев (отсчет с даты начала).
- Машинное обучение будет эффективнее при наличии достаточно больших данных и хорошего качества данных. Пациенты, у которых слишком много действий с нулевой вовлеченностью в систему, бесполезны и, скорее всего, приведут к предвзятой модели.
Последствия и результаты для пациентов
Затем прогностическая модель развертывается как приложение Flask, и к ней можно получить доступ, запустив ее как локальный хост. Передайте идентификатор пациента, существующий в базе данных, после чего будет возвращен прогноз модели и аналитические данные.
8 основных функций и 54 дополнительных функции.
Существует 8 основных функций (от функции 0 до функции 7) и 54 дополнительных функции. Связь между ними заключается в том, что каждая из этих основных функций включает в себя 54 подфункции. Основываясь на каждом человеке, модель определяет важность 8 основных функций, после чего мы можем углубиться в 54 подхарактеристики наиболее важной основной функции.
Порог вовлечения и отказа составляет 50% по умолчанию и не может быть изменен. Другими словами, пациенты с прогнозируемым результатом более 50 % будут считаться вовлеченными, а пациенты с результатом ниже 50 % будут классифицироваться как выбывшие. >.
Диаграммы в ANALYTICS.
Для этих 8 основных функций выделенные красным цветом функции приближают прогноз к 100 %, а синие — функции, тянущие прогноз. вернуться к 0%. Аналогия для этого: красная функция представляет горячую воду, синяя функция представляет холодную воду, вместе они регулируют температуру чашки воды от 0°C до 100°C.
Приложение Flask:
модель затем развертывается как веб-приложение через Flask, главная веб-страница выглядит так, как показано на следующем рисунке.
Статистика:
ЧАСТЬ I. Прогнозируемый пациент, прекративший лечение
Модель прогнозирует для пациента с идентификатором 2392 вероятность ответа ниже 30% с вероятностью 6,791 %. 0, скорее всего, является основной причиной высокого процента отказов, как показано в разделе АНАЛИТИКА.
Функцию 0 можно изучить на следующей гистограмме. Показатели важности отсортированы от высокого (слева) к низкому (справа), и функции слева более важны, чем справа. Например, частота ответов за 2 месяца и оценки качества опроса, количество предупреждений и количество прочитанных предупреждений являются несколькими основными факторами, которые приводят к низкой частоте ответов для пациента с идентификатором 2392.
ЧАСТЬ II. Прогнозирование вовлечения пациента
Модель предсказывает вероятность вовлечения пациента с идентификатором 23861 в 72,503 %.
Функция 4 является наиболее важной для того, чтобы позволить модели принять решение. Количество сеансов определяется заранее, а продолжительность ответа — два важнейших фактора, способствующих поддержанию вовлеченности пациента. Из исходной информации о пациенте видно, что у этого пациента очень низкая продолжительность ответа около 100 секунд, что указывает на то, что он/она активно взаимодействует с системой.
ЧАСТЬ III. Предсказанная вовлеченность пациента, но с потенциально высоким уровнем отказа
Модель прогнозирует для пациента с ID 2367 вероятность вовлечения на уровне 51,478 %. система.
Признак 7 является ведущим фактором. Как показано на диаграмме, количество предупреждений, количество прочитанных предупреждений и продолжительность ответа являются одними из основных показателей, способствующих поддержанию вовлеченности пациента.
Тем не менее, этот пациент находится на грани вовлечения (51,478% очень близко к 50%-ному порогу), и особенность 6 является фактором, который тормозит пациента. Из графика мы видим, что основной причиной является возраст, поэтому мы можем предположить, что этот пациент относится к группе старшего населения. После проверки информации о пациенте видно, что этот пациент находится в возрастном диапазоне [65, 75].