ارایه مدل جدید جهت بهبود شرایط اضطراری با استفاده از مدیریت بیمار

پذیرش مجدد، بازگشت تا 30 روز به بیمارستان از تاریخ ترخیص است. هزینه های این موارد پیش بینی نشده درکشورهای صنعتی سالیانه 25 میلیارد بوده و تاثیرات زیادی در کیفیت درمانی، استفاده از منابع بیمارستان ها و رویکرد بهداشتی و مراقبتی دارد. مطالعات نشان می دهد که با بهبود عملکرد در تشخیص این موارد و پیشگیری ازرخ دادن این موارد مبالغ بسیار زیادی را می توان صرفه جویی کرد. در این مطالعه ما مواردی که در پیش بینی مجدد بستری شدن وجود دارد را با روش های مختلف یادگیری ماشین مقایسه ای انجام می دهیم و یک مدلبرای احتمال و پیش بینی بستری شدن مجدد ایجاد می کنیم. ما همچنین یک چارچوب برای اجرای مدل درحالت داده واقعی ارایه می کنیم. این مطالعه نشان داد که می تواند تفکیک مناسبی برای بیماران در معرض خطر پذیرش مجدد داشته باشد