使用机器学习来预测急性后期护理并最大程度地减少先前造成的延误

抽象的

阿维舍克·乔杜里

目的：患者的医疗保险范围在确定急性后护理 (PAC) 出院处置方面起着至关重要的作用。事先授权流程会推迟 PAC 出院处理，增加患者住院时间，并影响患者健康。我们的研究采用预测分析来早期预测 PAC 出院处置，以减少因事先授权、住院时间和住院费用而导致的延期。

方法：我们进行了由 25 名患者护理协调员 (PCF) 和两名注册护士 (RN) 参与的小组讨论，并从初始护理评估和出院记录中检索了 1600 份患者数据记录

结果：卡方自动交互检测器 (CHAID) 算法实现了 PAC 出院处置的早期预测，加快了之前的医疗保险流程，将住院时间平均缩短了 22.22%。该模型的总体准确度为84.16%，受试者工作特征 (ROC) 曲线下面积值为 0.81。

结论：早期预测 PAC 出院处置可以减少授权流程，同时最大限度地减少因先前健康保险住院时间和相关费用而导致的住院 PAC 延误。