På IBM Research, vi utforskar nya lösningar för en rad utmaningar inom vården. En sådan utmaning är överbeläggning av akutmottagningar (ER), vilket kan leda till långa väntetider för behandling. Trångboddhet resulterar delvis från personer som besöker akuten för icke-akuta förhållanden snarare än att förlita sig på primärläkare. Patienter som använder akuten för icke-akuta situationer är mer benägna att återvända till akuten flera gånger (Poole et al. 2016), bidrar ytterligare till trångboddhet. Att identifiera de patienter som sannolikt kommer att återvända till akuten kan göra det möjligt för sjukhusen att ingripa för att säkerställa tillgång till nödvändig vård utanför akuten och eventuellt lindra trångboddhet.

En modell för neurala nätverk

Mitt team på IBM Research-China antog denna utmaning. Vi utvecklade en ny modell för neurala nätverk för att förutsäga hur många gånger en person kommer att besöka akuten baserat på information från hans eller hennes elektroniska hälsojournaler (EHR). Modellen är baserad på ett typiskt återkommande neuralt nätverk, men till skillnad från traditionella maskininlärningsmetoder, den uppvisar dynamiskt tidsmässigt beteende baserat på EHR -information och har en komplex struktur för att bättre modellera sambandet mellan ER -besök och andra patientdata (figur 1). Vi använde modellen för att göra exakta förutsägelser om huruvida och hur många gånger en person kommer att besöka akuten och fann att den överträffade andra vanliga tekniker. Till exempel, precisionen i vår modell var 6,59 procent större än en typisk logistisk regressionsmodell för att förutsäga om en person kommer att besöka akuten och> 90 procent större i att förutsäga antalet ER -besök jämfört med linjär regressionsmodell. Vår modell hade också cirka 2 procent större precision än den populära XGboost -modellen för att förutsäga antalet ER -besök.

Genom att bättre förutsäga hur många gånger en person kommer att besöka akuten, vi hoppas att denna modell kan göra det möjligt för sjukhus att etablera, prioritera, och rikta insatser för att säkerställa att patienter har tillgång till den vård de behöver utanför en ER -miljö.

Delar vårt arbete

Dessa resultat tillsammans med fem andra artiklar från IBM Research Team i Kina har accepterats av Medical Informatics Europe 2018, en ledande medicinsk informatikkonferens som äger rum denna vecka i Gothenberg, Sverige. De andra artiklarna involverar analys av verkliga bevis på interaktioner mellan behandling och undergrupp, upptäckt av avvikelser vid användning av medicinsk utrustning, användning av djupinlärning och annan maskininlärningsteknik för att svara på frågor från patienter, och förutsägelse av stora negativa hjärthändelser på sjukhuset med hjälp av en generaliserad linjär modell. Detaljer för alla sex godkända papper listas nedan. Våra samarbetspartners i dessa projekt representerar toppsjukhus (Fuwai sjukhus och Anzhen sjukhus) och ledande läkemedelsföretag (Pfizer). Genom att arbeta med de bästa partnerna med de bästa uppgifterna om de mest utmanande verkliga problemen, vi kan generera forskningsresultat i världsklass i Kina.