一种当次检查后入院的预测分类模型制造技术

本发明专利技术提供了一种当次检查后入院的预测分类模型，该模型基于电子健康记录数据，包括人口统计信息、诊断记录、实验室检测、输入/输出事件多源异构信息，经过缺失值处理、特征筛选、标准化与编码预处理步骤后，构建结构化特征矩阵。采用逻辑回归、随机森林、XGBoost、LightGBM、LSTM及Transformer多种机器学习与深度学习算法进行训练，并通过SMOTE解决类别不平衡问题，提升模型对高风险样本的识别能力。最终选择性能最优模型部署至医院信息系统，实现再入院风险的实时预测与预警。本发明专利技术具有预测精度高，可有效辅助医生制定出院管理计划，优化医疗资源配置，降低非计划性再入院率。

【技术实现步骤摘要】

本专利技术涉及医学分类模型领域，具体而言，涉及一种当次检查后入院的预测分类模型。

技术介绍

1、在现代医疗体系中，患者再入院率是衡量医院医疗质量、资源管理效率以及患者出院管理效果的重要指标之一。近年来，随着住院患者数量的快速增长及医保支付方式的改革(如drg/dip付费模式)，降低非计划性再入院风险已成为医疗机构关注的重点课题。

2、目前，已有部分研究尝试利用电子健康记录(ehr)数据建立再入院风险预测模型。例如，美国医疗保险系统中广泛应用的lace指数和hospital评分系统，通过简单的临床变量组合对患者再入院风险进行评估。然而，这些传统方法主要依赖于专家经验设定权重，特征维度有限，且建模过程缺乏对复杂非线性关系的刻画能力，导致预测精度较低，难以满足临床实际需求。

3、传统统计学或早期机器学习算法(如逻辑回归、支持向量机)构建的风险预测模型，在处理高维异构、时序性强的医疗数据方面存在明显局限。具体表现为：多数现有技术在特征提取过程中仅使用了部分结构化数据(如年龄、性别、诊断编码)，忽略了实验室检测趋势、生命体征变化、输入/输出事本文档来自技高网...

【技术保护点】

1.一种当次检查后入院的预测分类模型，其特征在于，包括预测分类模型，

2.根据权利要求1所述的一种当次检查后入院的预测分类模型，其特征在于，采用80％/20％的分层抽样将数据集划分为训练集和测试集，以保证训练集和测试集中正负类的比例与原始数据集中的比例一致。

3.根据权利要求2所述的一种当次检查后入院的预测分类模型，其特征在于，对训练数据应用SMOTE(Synthetic Minority Over-sampling Technique)以缓解类别不平衡问题，通过合成新的少数类样本增加少数类样本的数量。

4.根据权利要求1所述的一种当次检查后入院的预测...

【技术特征摘要】

1.一种当次检查后入院的预测分类模型，其特征在于，包括预测分类模型，

2.根据权利要求1所述的一种当次检查后入院的预测分类模型，其特征在于，采用80％/20％的分层抽样将数据集划分为训练集和测试集，以保证训练集和测试集中正负类的比例与原始数据集中的比例一致。

3.根据权利要求2所述的一种当次检查后入院的预测分类模型，其特征在于，对训练数据应用smote(synthetic minority over-sampling technique)以缓解类别不平衡问题，通过合成新的少数类样本增加少数类样本的数量。

4.根据权利要求1所述的一种当次检查后入院的预测分类模型，其特征在于，移除特征矩阵中的低方差特征(方差<0.1)、高缺失特征(>50％缺失)、弱相关特征(r|<0.01)和高共线性特征(pearson r|>0.95)。

5.根据权利要求4所述的一种当次检查后入院的预测分类模型，其特征在于，使用以下至少一种...

【专利技术属性】
技术研发人员：付成博，李滟泽，尹勇，
申请(专利权)人：山东第一医科大学附属肿瘤医院山东省肿瘤防治研究院，山东省肿瘤医院，
类型：发明
国别省市：