پیش‌بینی بستری مجدد بیماران با استفاده از استخراج مفاهیم زیست‌پزشکی از متون بالینی

امروزه وجود حجم عظیمی از داده‌های الکترونیکی سلامت، ظرفیت‌های بالقوه‌ای برای انجام مطالعاتی در جهت بهبود خدمات درمانی ارائه‌شده به بیماران و کاهش هزینه‌های نظام سلامت ایجاد کرده‌است. شناسایی بیمارانی که احتمال بستری مجدد آن‌ها در فاصله زمانی کوتاهی پس از ترخیص از بیمارستان وجود دارد، از موضوعاتی است که در سال‌های اخیر در حوزه پزشکی مورد توجه قرار گرفته‌است و می‌تواند در انتخاب روش‌های درمانی مناسب توسط پزشکان و کاهش میزان بستری مجدد بیماران و در نتیجه کاهش هزینه‌های درمان موثر باشد. در این مطالعه به پیش‌بینی بستری مجدد بیمار با استفاده از رویکردهای متن‌کاوی و پردازش متون گزارش ترخیص در پرونده الکترونیک بیمار، پرداخته شده‌است . به این منظور، عملکرد انواع مدل‌های یادگیری ماشین، با استفاده از دو رویکرد سبد کلمات و سبد مفاهیم در فرایند پیش‌بینی بستری مجدد بیمار، ارزیابی شده‌است. مقایسه کارایی این رویکردها نشان‌دهنده برتری مدل جنگل تصادفی و رویکرد سبد مفاهیم نسبت به سایر مدل‌ها و رویکردهای یادگیری ماشین بوده است. این پژوهش با کسب امتیاز auc برابر 73.1%، به بالاترین امتیاز پیش‌بینی احتمال بستری مجدد بیمار در بیمارستان در مقایسه با کارهای مشابهی که از مدل‌های یادگیری ماشین در این زمینه استفاده کرده‌اند، دست یافته‌است.