بررسی تشخیص داده های پرت در پرونده سلامت الکترونیک

ما یک رویکرد اطلاعات محور برای تشخیص غیر عادی مدیریت بیمار با اسفاده از سوابق ذخیره شده در پرونده سلامت الکترونیک بیمار توسعه و ارزیابی کردیم. ما با توجه به اطلاعات بدست آمده می پنداریم که مدیریت تصمیم گیری بیمار با توجه به مراقبت های گذشته بیمار غیر عادی است. نتایج مطالعات نشان می دهد فرضیه ما که بر اساس هشدار نقاط پرت است می تواند منجر به نرخ هشدار واقعی شود. ما نرخ هشدار واقعی را در محدوده 25 تا 66 درصد برای فعالیت های مختلف مدیریتی بیمار را مشاهده کردیم. که 66 درصد مربوط به نقاط پرت قوی بود. تشخیص مقادیر پرت در فضایی با ویژگی ترکیبی، برای رویکردهایی که اکنون ارائه شده اند، یک مشکل چالش برانگیز است در واقع، یک روش رایج برای شناسایی نقاط پرت اینست که برای هر شی یک مقدار پرتی برآورد نماییم و سپس یک لیست رتبه بندی نقاط پرت راهبردهای گوناگونی را اجرا می کنند که برای تمیز دادن نقاط پرت و مورد انتظار از یکدیگر، به مقدار آستانه مشخص شده توسط کاربر بستگی دارد. برای حل این مشکلات، و بمنظور شناسایی نقاط پرت در داده هایی با ویژگی ترکیبی، یک رویکرد اصولی را بر اساس مدل ترکیبی بتای دو متغیره پیشنهاد می کنیم. روش پیشنهادی می تواند به صورت خودکار نقاط پرت و مورد انتظار را از هم تشخیص دهد و می توان آن را بدون ایجاد هرگونه تغییر و تحولی در ویژگی، هم در داده هایی با ویژگی ترکیبی و هم در داده هایی با ویژگی منفرد ( عددی یا قطعی) اجرا کرد. مطالعه تجربی ما مناسب بودن روش پیشنهادی را در مقایسه با روش های جاری نشان می دهد.