BackgroundThe IOM report, Preventin

Background

The IOM report, Preventing Medication Errors, emphasizes the overall lack of knowledge of the incidence of adverse drug events (ADE). Operating rooms, emergency departments and intensive care units are known to have a higher incidence of ADE. Labor and delivery (L&D) is an emergency care unit that could have an increased risk of ADE, where reported rates remain low and under-reporting is suspected. Risk factor identification with electronic pattern recognition techniques could improve ADE detection rates.

Objective

The objective of the present study is to apply Synthetic Minority Over Sampling Technique (SMOTE) as an enhanced sampling method in a sparse dataset to generate prediction models to identify ADE in women admitted for labor and delivery based on patient risk factors and comorbidities.

Results

By creating synthetic cases with the SMOTE algorithm and using a 10-fold cross-validation technique, we demonstrated improved performance of the Naïve Bayes and the decision tree algorithms. The true positive rate (TPR) of 0.32 in the raw dataset increased to 0.67 in the 800% over-sampled dataset.

Conclusion

Enhanced performance from classification algorithms can be attained with the use of synthetic minority class oversampling techniques in sparse clinical datasets. Predictive models created in this manner can be used to develop evidence based ADE monitoring systems.

ผลลัพธ์ (ไทย) 1:

พื้นหลังรายงาน IOM ป้องกันข้อผิดพลาดยา เน้นการขาดความรู้ของอุบัติการณ์ของเหตุการณ์ไม่พึงประสงค์ยา (ADE) โดยรวม ห้องปฏิบัติการ แผนกฉุกเฉิน และกรมธนารักษ์เป็นที่รู้จักจะมีอัตราการเกิดสูงของ ADE แรงงานและส่งได้ (L และ D) เป็นหน่วยการดูแลฉุกเฉินที่อาจมีความเสี่ยงของ ADE ที่อัตรารายงานยังคงต่ำ และรายงานภายใต้เป็นที่น่าสงสัย การระบุปัจจัยเสี่ยง ด้วยเทคนิคการรู้จำรูปแบบอิเล็กทรอนิกส์สามารถปรับปรุงอัตราการตรวจจับของ ADEวัตถุประสงค์วัตถุประสงค์ของการศึกษาคือการ ใช้สังเคราะห์ส่วนน้อยกว่าการสุ่มตัวอย่างเทคนิค (SMOTE) เป็นวิธีการสุ่มตัวอย่างเพิ่มขึ้นในชุดข้อมูลห่างการสร้างแบบจำลองทำนายการระบุ ADE ในผู้หญิงที่ยอมรับสำหรับแรงงานและจัดส่งตามปัจจัยเสี่ยงต่อผู้ป่วยและโรคประจำตัวผลลัพธ์สร้างกรณีสังเคราะห์ ด้วยอัลกอริทึม SMOTE และใช้เทคนิคการตรวจสอบข้าม 10-fold เราแสดงให้เห็นประสิทธิภาพของ Bayes ไร้เดียงสาและอัลกอริทึมต้นไม้ตัดสินใจ 0.32 ในชุดข้อมูลดิบจริงบวกอัตรา (TPR) เพิ่มขึ้น 0.67 ในชุดข้อมูลตัวอย่างมากกว่า 800%สรุปสามารถบรรลุประสิทธิภาพที่เพิ่มขึ้นจากอัลกอริทึมการจำแนกประเภท ด้วยการใช้ประเภทสังเคราะห์ชนก oversampling เทคนิคใน datasets ห่างทางคลินิก การณ์ที่สร้างในลักษณะนี้สามารถใช้ในการพัฒนาหลักฐานคะแนน ADE ที่ระบบตรวจสอบได้

ผลลัพธ์ (ไทย) 2:

พื้นหลัง

รายงาน IOM, การป้องกันความคลาดเคลื่อนทางยาเน้นการขาดโดยรวมของความรู้เกี่ยวกับการเกิดเหตุการณ์ที่ไม่พึงประสงค์ของยาเสพติด (ADE) ห้องแผนกฉุกเฉินและหน่วยดูแลผู้ป่วยหนักเป็นที่รู้จักกันในการดำเนินงานที่จะมีอุบัติการณ์สูงขึ้นของอาคาร แรงงานและการส่งมอบ (L & D) เป็นหน่วยดูแลผู้ป่วยฉุกเฉินที่อาจมีความเสี่ยงที่เพิ่มขึ้นของอาคารที่อัตรารายงานยังคงอยู่ในระดับต่ำและภายใต้การรายงานเป็นที่น่าสงสัย บัตรประจำตัวปัจจัยเสี่ยงด้วยเทคนิคการจดจำรูปแบบอิเล็กทรอนิกส์สามารถปรับปรุงอัตราการตรวจจับ ADE.

วัตถุประสงค์

วัตถุประสงค์ของการศึกษาในปัจจุบันคือการใช้สังเคราะห์เสียงข้างน้อยกว่าการเก็บตัวอย่างเทคนิค (ประหาร) เป็นวิธีการสุ่มตัวอย่างที่เพิ่มขึ้นในชุดข้อมูลที่เบาบางในการสร้างแบบจำลองการคาดคะเนเพื่อแจ้ง ADE ในผู้หญิง เข้ารับการรักษาสำหรับผู้ใช้แรงงานและการจัดส่งขึ้นอยู่กับปัจจัยความเสี่ยงของผู้ป่วยและป่วย.

ผลการค้นหา

โดยการสร้างกรณีสังเคราะห์ที่มีขั้นตอนวิธีการฆ่าฟันและการใช้ 10 เท่าเทคนิคการตรวจสอบข้ามเราแสดงให้เห็นถึงประสิทธิภาพการทำงานที่ดีขึ้นของไร้เดียงสา Bayes และขั้นตอนวิธีต้นไม้ตัดสินใจ อัตราการบวกจริง (TPR) 0.32 ในชุดข้อมูลดิบเพิ่มขึ้นเป็น 0.67 ใน 800% มากกว่าตัวอย่างชุด.

สรุป

ผลการดำเนินงานที่เพิ่มขึ้นจากขั้นตอนวิธีการจัดหมวดหมู่สามารถบรรลุได้ด้วยการใช้เสียงข้างน้อยสังเคราะห์เทคนิคระดับ oversampling ในชุดข้อมูลทางคลินิกเบาบาง รูปแบบการพยากรณ์ที่สร้างขึ้นในลักษณะนี้สามารถนำมาใช้ในการพัฒนาหลักฐานระบบการตรวจสอบอาคาร