배경: 응급실 과밀화는 전세계적으로 문제가 되고 있으며, 과밀화로 인하여 단순한 치료시간의 지연 외에도 응급의료의 질적 저하로 국 민보건에 심각한 위해가 되고 있다. 본 연구의 목적은 응급실 과밀 화에 영향을 주는 장시간 체류 환자를 예측하기 위하여 최적의 알고 리즘과 환자의 특성을 찾아내는 것이다. 방법론: 본 연구는 2011년부터 2019년까지 미국 보스톤에 위치한 Beth Israel Medical Center를 방문한 448,972회의 MIMIC-IV 데 이터세트를 활용한다. 정확한 ...
배경: 응급실 과밀화는 전세계적으로 문제가 되고 있으며, 과밀화로 인하여 단순한 치료시간의 지연 외에도 응급의료의 질적 저하로 국 민보건에 심각한 위해가 되고 있다. 본 연구의 목적은 응급실 과밀 화에 영향을 주는 장시간 체류 환자를 예측하기 위하여 최적의 알고 리즘과 환자의 특성을 찾아내는 것이다. 방법론: 본 연구는 2011년부터 2019년까지 미국 보스톤에 위치한 Beth Israel Medical Center를 방문한 448,972회의 MIMIC-IV 데 이터세트를 활용한다. 정확한 데이터 분석과 머신러닝의 예측 결과 를 도출하기 위하여 전처리를 진행하였으며, 382,391회의 응급실 방 문 기록을 사용하였다. 이 중 장시간(6시간 이상)체류한 의료기록은 111,037회(29%)이다. 머신러닝의 훈련에 활용한 정보는 환자의 나 이, 성별 등의 기본정보, 활력검사(Vital Check), 중증도 분류지표 (Acuity Score) 및 환자의 불편 증상이다. 최신의 기계학습 알고리 즘인 트리기반의 앙상블 알고리즘(XGBoost, Light GBM, Decision Tree, Random Forest)으로 데이터를 학습하여 결과를 비교하였으 며, 머신러닝의 예측 결과를 해석하기 위하여 섀플리밸류(Shapley Value)를 활용하였다. 결과: XGBoost 알고리즘의 예측 성능이 가장 우수하였고, 고령의 나 이, 고위험환자(중증도 분류지표 Level2), 고열환자, 알코올중독 (ETOH)환자가 응급실 장시간 체류에 영향을 미친다. 결론: 연구 결과를 종합해보면, 응급실 방문 환자들의 기초정보, 주 요 불편 증상 및 의료진의 중증도 분류지표를 활용하면 환자들의 장 시간 체류를 예측할 수 있다. 본 연구를 통하여 응급실 과밀화에 영 향을 주는 핵심요인을 파악하고 병원의 운영 프로세스 효율화에 기 여하여 환자의 서비스 만족도를 높일 수 있는 자료로 활용되기를 기 대한다.
배경: 응급실 과밀화는 전세계적으로 문제가 되고 있으며, 과밀화로 인하여 단순한 치료시간의 지연 외에도 응급의료의 질적 저하로 국 민보건에 심각한 위해가 되고 있다. 본 연구의 목적은 응급실 과밀 화에 영향을 주는 장시간 체류 환자를 예측하기 위하여 최적의 알고 리즘과 환자의 특성을 찾아내는 것이다. 방법론: 본 연구는 2011년부터 2019년까지 미국 보스톤에 위치한 Beth Israel Medical Center를 방문한 448,972회의 MIMIC-IV 데 이터세트를 활용한다. 정확한 데이터 분석과 머신러닝의 예측 결과 를 도출하기 위하여 전처리를 진행하였으며, 382,391회의 응급실 방 문 기록을 사용하였다. 이 중 장시간(6시간 이상)체류한 의료기록은 111,037회(29%)이다. 머신러닝의 훈련에 활용한 정보는 환자의 나 이, 성별 등의 기본정보, 활력검사(Vital Check), 중증도 분류지표 (Acuity Score) 및 환자의 불편 증상이다. 최신의 기계학습 알고리 즘인 트리기반의 앙상블 알고리즘(XGBoost, Light GBM, Decision Tree, Random Forest)으로 데이터를 학습하여 결과를 비교하였으 며, 머신러닝의 예측 결과를 해석하기 위하여 섀플리밸류(Shapley Value)를 활용하였다. 결과: XGBoost 알고리즘의 예측 성능이 가장 우수하였고, 고령의 나 이, 고위험환자(중증도 분류지표 Level2), 고열환자, 알코올중독 (ETOH)환자가 응급실 장시간 체류에 영향을 미친다. 결론: 연구 결과를 종합해보면, 응급실 방문 환자들의 기초정보, 주 요 불편 증상 및 의료진의 중증도 분류지표를 활용하면 환자들의 장 시간 체류를 예측할 수 있다. 본 연구를 통하여 응급실 과밀화에 영 향을 주는 핵심요인을 파악하고 병원의 운영 프로세스 효율화에 기 여하여 환자의 서비스 만족도를 높일 수 있는 자료로 활용되기를 기 대한다.
Background: The overcrowding of emergency department is a problem around the world. Because of emergency department crowding, urgent patients are being delayed treatment, further the quality of emergency medical care is deteriorating, causing serious harm to public health. The purpose of...
Background: The overcrowding of emergency department is a problem around the world. Because of emergency department crowding, urgent patients are being delayed treatment, further the quality of emergency medical care is deteriorating, causing serious harm to public health. The purpose of this study is to find the optimal algorithm and characteristics of patients who stay for a long time that affects the overcrowding of emergency department. Methods: The data from this study are MIMIC-IV medical data(n=448,972) that visited Beth Israel Medical Center in Boston, USA from 2011 to 2019. Preprocessing was conducted to analyze data accurately and derive better prediction results of machine learning, then this study used 382,391 emergency department visits as data. 29%(n=111,037) of the total data were from patients who stayed over 6hours. The data used for machine learning training is basic information such as patient age and gender, Vital Check, acuity score, and patient's chief complaints. The results were compared by learning data with tree based ensemble algorithms(XGBoost, Light GBM, Decision Tree, Random Forest) which are the latest machine learning algorithms. Lastly Shapley Value was used to find characteristics that affect machine learning's prediction results. Results: The model trained with the XGBoost algorithm showed the best predictive performance, and elderly, high risk patients(Acuity Level 2), high temperature patients, and alcoholism patients(ETOH) influence the prediction results of long length of stays. Conclusion: Basic information and major discomfort symptoms of patients visiting the emergency department and the acuity index of medical staff can be used to predict the patient's long length of stay. This contributes to the efficiency of the hospital's operational process and increases patient service
Background: The overcrowding of emergency department is a problem around the world. Because of emergency department crowding, urgent patients are being delayed treatment, further the quality of emergency medical care is deteriorating, causing serious harm to public health. The purpose of this study is to find the optimal algorithm and characteristics of patients who stay for a long time that affects the overcrowding of emergency department. Methods: The data from this study are MIMIC-IV medical data(n=448,972) that visited Beth Israel Medical Center in Boston, USA from 2011 to 2019. Preprocessing was conducted to analyze data accurately and derive better prediction results of machine learning, then this study used 382,391 emergency department visits as data. 29%(n=111,037) of the total data were from patients who stayed over 6hours. The data used for machine learning training is basic information such as patient age and gender, Vital Check, acuity score, and patient's chief complaints. The results were compared by learning data with tree based ensemble algorithms(XGBoost, Light GBM, Decision Tree, Random Forest) which are the latest machine learning algorithms. Lastly Shapley Value was used to find characteristics that affect machine learning's prediction results. Results: The model trained with the XGBoost algorithm showed the best predictive performance, and elderly, high risk patients(Acuity Level 2), high temperature patients, and alcoholism patients(ETOH) influence the prediction results of long length of stays. Conclusion: Basic information and major discomfort symptoms of patients visiting the emergency department and the acuity index of medical staff can be used to predict the patient's long length of stay. This contributes to the efficiency of the hospital's operational process and increases patient service
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.