Santé
❯
Gestion des patients
❯Gestion des hopitaux
❯Génération de parcours cliniques
Outils de gestion hospitalière
Pour:
Administrateur d'hôpital
But:
Fouille de données temporelles, visualisation
Objectif:
Améliorer l'efficacité des opérations
Génération de parcours cliniques
Pour:
Personnel infirmier
But:
Arbre de décision, clustering
Objectif:
Améliorer l'efficacité des opérations
Triage basé sur l'apprentissage automatique pour déterminer les patients de faible gravité qui peuvent être accélérés jusqu'à l'admission aux urgences en raison de leur courte durée de sortie
Pour:
Services d'urgence dans les hôpitaux.
Objectif:
Amélioration de l'efficacité des employés
Classificateur de résumé de décharge
Pour:
Le personnel médical
But:
Arbre de décision, forêt aléatoire, SVM, BNN, apprentissage profond
Objectif:
Améliorer l'efficacité des opérations
Service d'assistance aux patients et d'informations médicales en temps réel appliquant un système de dialogue parlé
Pour:
Dentiste Hôpital
But:
Système de soutien aux entreprises médicales utilisant une technologie d'interface homme-ordinateur basée sur l'intelligence artificielle.
Objectif:
Autre
Génération de parcours cliniques
Pour:
Personnel infirmierObjectif:
Améliorer l'efficacité des opérationsProblème adressé
Parcours clinique infirmier
But du cas d'usage
Arbre de décision, clustering
Description
Ce système propose une méthode d'exploration de données temporelles pour construire et maintenir un cheminement clinique utilisé pour la gestion du calendrier des soins cliniques. Étant donné que les données du journal des actions cliniques et des plans sont stockées dans un système d'information hospitalier, ces historiques donnent des informations temporelles et procédurales sur le traitement. La méthode comprend les quatre étapes suivantes : Premièrement, les historiques des commandes de soins infirmiers sont extraits du système d'information de l'hôpital. Deuxièmement, les commandes sont classées en plusieurs groupes en utilisant des méthodes de regroupement et de mise à l'échelle multidimensionnelle. Troisièmement, en utilisant les informations sur les groupes, la sélection des caractéristiques est appliquée aux données et les caractéristiques importantes pour la classification sont extraites. Enfin, les données temporelles originales sont divisées en plusieurs groupes et la première étape est répétée. Une fois les résultats de regroupement stables, une nouvelle voie est construite sur la base des résultats induits.