20、《医疗与社交网络中的预测模型：基于极限学习机的应用》

《医疗与社交网络中的预测模型：基于极限学习机的应用》

医院再入院预测模型

医院再入院给医疗系统和患者都带来了巨大负担。全球医疗系统面临的重大挑战之一，就是实施有效干预措施以减少可避免的再入院情况。确定再入院概率的风险分层，对于设计干预策略至关重要。目前，大多数医院再入院预测模型采用逻辑回归或其他回归技术，而机器学习在这一领域的应用尚待深入挖掘。

研究背景与动机

新加坡作为一个发达的城市国家，面临着人口老龄化、慢性病负担增加和劳动力萎缩的问题。新加坡总医院已建立电子健康记录（EHR），这为开发实时预测模型以识别高再入院风险患者提供了可能。研究旨在构建一个基于机器学习的模型，预测30天内医院再入院的风险，并与常用的LACE指数进行比较。

研究方法

• 数据收集与处理 ：进行了一项回顾性观察研究，从新加坡总医院的电子健康记录中提取2013年1月1日至2014年5月31日的住院患者数据。纳入年龄超过21岁的患者，排除非居民、住院期间死亡以及入院专科为产科、急诊医学、牙科或眼科的患者。主要结果为出院后30天内的医院再入院情况。根据以往研究和现有文献，经验性选择了一组临床和行政变量，包括患者人口统计学信息、合并症、医疗服务利用情况和社会经济地位指标。
• 模型构建与验证 ：随机选择80%的数据用于模型构建，20%的数据用于模型验证。采用稀疏贝叶斯极限学习机（SBELM）算法创建预测模型。SBELM学习传统ELM分类器的输出权重，隐藏层参数随机生成。该算法为不确定数据的输出生成概率分布，非常适合30天再入院预测这一双类预测问题。同时，计算LA