Congestive Heart Failure (CHF) is a

Congestive Heart Failure (CHF) is a serious chronic condition often leading to 50% mortality within 5 years. Improper
treatment and post-discharge care of CHF patients leads to repeat frequent hospitalizations (i.e., readmissions). Accurately predicting patient's risk-of-readmission enables care providers to plan resources, perform factor analysis, and improve patient quality of life. In this paper, we describe a supervised learning framework, Dynamic Hierarchical Class ication (DHC) for patient's risk-of-readmission prediction. Learning the hierarchy of classiers is often the most challenging component of such classication schemes. The novelty of our approach is to algorithmically generate various
layers and combine them to predict overall 30-day risk-of-readmission. While the components of DHC are generic,
in this work, we focus on congestive heart failure (CHF),a pressing chronic condition. Since healthcare data is di-
verse and rich and each source and feature-subset provides dierent insights into a complex problem, our DHC based
prediction approach intelligently leverages each source and feature-subset to optimize dierent objectives (such as, Re-
call or AUC) for CHF risk-of-readmission. DHC's algorithmic layering capability is trained and tested over two real
world datasets and is currently integrated into the clinical decision support tools at MultiCare Health System (MHS),
a major provider of healthcare services in the northwestern US. It is integrated into a QlikView App (with EMR inte-
gration planned for Q2) and currently scores patients every day, helping to mitigate readmissions and improve quality
of care, leading to healthier outcomes and cost savings.

ผลลัพธ์ (ไทย) 1:

หัวใจล้มเหลว (CHF) เป็นโรคเรื้อรังร้ายแรงมักจะนำไปสู่อัตราการตาย 50% ภายใน 5 ปี ไม่เหมาะสมรักษาและปล่อยหลังดูแลผู้ป่วย CHF นำไปสู่การทำซ้ำบ่อย ๆ แก่ (เช่น readmissions) ผู้ป่วยความเสี่ยงของ-readmission การทำนายอย่างแม่นยำช่วยให้ผู้ให้บริการการวางแผนทรัพยากร ทำการวิเคราะห์ปัจจัย และคุณภาพชีวิตผู้ป่วย ในกระดาษนี้ เราอธิบายกรอบการเรียนรู้ดูแล ไดนามิก Hierarchical คลารก (DHC) สำหรับทำนายความเสี่ยงของ readmission ของผู้ป่วย การเรียนรู้ลำดับชั้นของ classi ers เป็นมักจะท้าทายมากที่สุดส่วนประกอบของแผนเช่นรก classi ความแปลกใหม่ของเราคือการ สร้างต่าง ๆ algorithmicallyชั้น และรวมการคาดการณ์โดยรวม 30 วันความเสี่ยงของ-readmission ในขณะที่ส่วนประกอบของ DHC อยู่ทั่วไปในงานนี้ เราเน้นที่หัวใจล้มเหลว (CHF), กดอาการเรื้อรัง ตั้งแต่ข้อมูลสุขภาพเป็น di-ข้อพระคัมภีร์ประจำ และอุดมไปด้วย และแต่ละแหล่ง และคุณลักษณะย่อยให้ลึกเป็นปัญหาซับซ้อน DHC เราคะแนนระหว่างการผลิต diคาดเดาวิธีใช้อย่างชาญฉลาดแต่ละแหล่งและคุณลักษณะย่อยเพื่อเพิ่มประสิทธิภาพ di วัตถุประสงค์ระหว่างการผลิต (เช่น Re-โทรหรือ AUC) สำหรับ CHF เสี่ยงของ-readmission ของ DHC layering อัลกอริทึมเป็นการฝึกอบรม และทดสอบผ่านสองจริงชุดข้อมูลของโลก และในขณะนี้รวมอยู่ในเครื่องมือสนับสนุนการตัดสินใจทางคลินิกที่ MultiCare ระบบสุขภาพ (MHS),ผู้ให้บริการที่สำคัญของการดูแลสุขภาพบริการในทางเรา มันรวมอยู่ใน App QlikView (มีคลื่น EMR-gration การวางแผนสำหรับไตรมาสที่ 2) และในปัจจุบันคะแนนผู้ป่วยทุกวัน ช่วยลด readmissions และปรับปรุงคุณภาพการดูแล การนำไปสู่ผลลัพธ์สุขภาพที่ดี และประหยัดค่าใช้จ่าย

ผลลัพธ์ (ไทย) 2:

วายหัวใจล้มเหลว (CHF) เป็นภาวะเรื้อรังร้ายแรงมักจะนำไปสู่การตาย 50% ภายใน 5 ปี ที่ไม่เหมาะสม
การรักษาและการดูแลหลังการปลดปล่อยของผู้ป่วย CHF นำไปสู่การรักษาในโรงพยาบาลซ้ำบ่อย (เช่น readmissions) ทำนายถูกต้องของผู้ป่วยที่มีความเสี่ยงของการกลับเป็นซ้ำจะช่วยให้ผู้ให้บริการดูแลการวางแผนทรัพยากรการดำเนินการวิเคราะห์ปัจจัยและปรับปรุงคุณภาพชีวิตของผู้ป่วย ในบทความนี้เราจะอธิบายกรอบการเรียนรู้ภายใต้การดูแลแบบไดนามิกลำดับชั้น Class I ไอออนบวก (DHC) ในการทำนายความเสี่ยงของการกลับเป็นซ้ำของผู้ป่วย การเรียนรู้ลำดับขั้นของ ERS จัดประเภทมักจะเป็นองค์ประกอบที่ท้าทายมากที่สุดของรูปแบบการจัดประเภทไอออนบวกเช่น ความแปลกใหม่ของวิธีการของเราคือการสร้างอัลกอริทึมต่างๆ
ชั้นและรวมพวกเขาที่จะคาดการณ์โดยรวม 30 วันมีความเสี่ยงของการกลับเป็นซ้ำ ในขณะที่องค์ประกอบของ DHC ที่มีทั่วไป
ในงานนี้เรามุ่งเน้นไปที่หัวใจล้มเหลว (CHF) ซึ่งเป็นภาวะเรื้อรังที่เร่งด่วน เนื่องจากข้อมูลด้านการดูแลสุขภาพเป็นดิ
กลอนและอุดมไปด้วยและแหล่งที่มาของแต่ละคนและคุณลักษณะกลุ่มย่อยให้ di? ข้อมูลเชิงลึกที่ต่างกันเป็นปัญหาที่ซับซ้อน, DHC ของเรา
วิธีการทำนายอย่างชาญฉลาดใช้ประโยชน์จากแหล่งที่มาของแต่ละคนและคุณลักษณะกลุ่มย่อยเพื่อเพิ่มประสิทธิภาพ di? วัตถุประสงค์ต่างกัน (เช่นเรื่อง -
สายหรือ AUC) สำหรับ CHF ความเสี่ยงของการกลับเป็นซ้ำ ความสามารถในการฝังรากลึกอัลกอริทึม DHC ได้รับการฝึกฝนและทดสอบจริงมากกว่าสอง
ชุดข้อมูลโลกและขณะนี้รวมอยู่ในเครื่องมือสนับสนุนการตัดสินใจทางคลินิกที่ระบบ Multicare สุขภาพ (MHS)
เป็นผู้ให้บริการที่สำคัญของการให้บริการด้านสุขภาพในทางตะวันตกเฉียงเหนือของสหรัฐ มันถูกรวมเข้ากับ QlikView App (กับ EMR inte-
Gration วางแผนสำหรับไตรมาสที่ 2) และในปัจจุบันคะแนนผู้ป่วยทุกวันเพื่อช่วยลด readmissions และปรับปรุงคุณภาพ
ของการดูแลที่นำไปสู่ผลลัพธ์ที่มีสุขภาพดีและประหยัดค่าใช้จ่าย

ผลลัพธ์ (ไทย) 3:

หัวใจล้มเหลว ( CHF ) เป็นร้ายแรงอาการเรื้อรังมักจะนำไปสู่การตาย 50% ภายใน 5 ปี ไม่เหมาะสมการรักษาและดูแลผู้ป่วย CHF นำไปสู่การโพสต์ซ้ำ ซึ่งบ่อย ( เช่น readmissions ) ผู้ป่วยอย่างถูกต้องทำนายความเสี่ยงของกระบวนการให้บริการดูแลแผนทรัพยากร วิเคราะห์ปัจจัย และปรับปรุงคุณภาพของผู้ป่วยของชีวิต ในกระดาษนี้เราอธิบายแนวคิดการเรียนแบบไดนามิกลำดับชั้นคลาส ication ( DHC ) สำหรับผู้ป่วยที่ความเสี่ยงของกระบวนการพยากรณ์ เรียนรู้ลำดับขั้นของ classiers มักจะเป็นองค์ประกอบที่ท้าทายที่สุดของโครงการ classication ดังกล่าว ความแปลกใหม่ของวิธีการคือ algorithmically สร้างต่าง ๆชั้นและรวมเข้าด้วยกันเพื่อทำนายความเสี่ยง 30 วันโดยระเหย ในขณะที่องค์ประกอบของ DHC มีทั่วไปในงานนี้เราเน้นหัวใจล้มเหลว ( CHF ) , การกดอาการเรื้อรัง . เนื่องจากข้อมูลการดูแลสุขภาพเป็นตี้กลอน และรวย และแต่ละแหล่งและคุณลักษณะย่อยให้ dierent ข้อมูลเชิงลึกในปัญหาที่ซับซ้อน เราใช้ DHCวิธีการพยากรณ์อย่างชาญฉลาดจากแต่ละแหล่งและคุณลักษณะย่อยเพื่อเพิ่มประสิทธิภาพ dierent วัตถุประสงค์ ( เช่น อีกครั้งโทรหรือยา ) สำหรับ CHF เสี่ยงระเหย DHC เป็นขั้นตอนวิธี layering ความสามารถการอบรมและทดสอบกว่าสองจริงโลกข้อมูล และในปัจจุบันรวมในการตัดสินทางคลินิกสนับสนุนเครื่องมือในระบบสุขภาพ multicare ( mhs )ผู้ให้บริการหลักของบริการสุขภาพในทางทิศตะวันตกเฉียงเหนือของเรา มันรวมอยู่ใน app qlikview ( inte EMR -gration วางแผน 2 ) และขณะนี้คะแนนของผู้ป่วยทุกวัน ช่วยลด readmissions และปรับปรุงคุณภาพการดูแลสู่ผลต่อสุขภาพ และการประหยัดต้นทุน