Santé
❯
Gestion des patients
❯Gestion des hopitaux
❯Classificateur de résumé de décharge
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
Classificateur de résumé de décharge
Pour:
Le personnel médicalObjectif:
Améliorer l'efficacité des opérationsProblème adressé
Classification des résumés de sortie
But du cas d'usage
Arbre de décision, forêt aléatoire, SVM, BNN, apprentissage profond
Description
Ce système propose une méthode de construction de classificateurs pour les résumés de décharge. Tout d'abord, l'analyse morphologique est appliquée à un ensemble de résumés et une matrice de termes est générée. Deuxièmement, une analyse de correspondance est appliquée aux étiquettes de classification et au terme matrice et génère des coordonnées bidimensionnelles. En mesurant la distance entre les catégories et les points attribués, un classement des mots clés est généré. Ensuite, les mots-clés sont sélectionnés en tant qu'attributs en fonction du classement, et des exemples de formation pour les classificateurs sont générés. Enfin, des méthodes d'apprentissage sont appliquées aux exemples de formation. La validation expérimentale montre que la forêt aléatoire a obtenu les meilleures performances et que le deuxième meilleur était l'apprenant en profondeur avec une petite différence, mais les méthodes d'arbre de décision avec de nombreux mots-clés n'ont obtenu qu'un peu moins de résultats que les méthodes de réseau de neurones ou d'apprentissage en profondeur.