目的利用医疗大数据和机器学习技术相结合,探索基于临床结果的临床医师绩效评价方法。方法采用非负主成分分析法(non-negative principal component analysis,NPCA),基于非负稀疏主成分算法(non-negative sparse principal component an...目的利用医疗大数据和机器学习技术相结合,探索基于临床结果的临床医师绩效评价方法。方法采用非负主成分分析法(non-negative principal component analysis,NPCA),基于非负稀疏主成分算法(non-negative sparse principal component analysis,NSPCA)对170名治疗心血管疾病的临床医师的11个临床工作绩效指标进行综合指数拟合。同时,基于根本原因评估技术(root cause assessment techniques)构建置信区间计算每一名临床医师各指标范围。结果门诊出院诊断符合率、手术切口甲级愈合率、手术患者比例、三日确诊率、开展三级和四级手术比例、完成手术及操作数在区分临床医师工作绩效上较为显著,而术前平均住院日、30天内非计划再入院率、出院患者平均住院日、主要诊断治愈/好转、收治患者数在区分临床医师临床工作绩效上不显著。通过综合指数拟合可对所有临床医师的整体工作绩效进行排名,进一步对各具体指标的高、中、低绩效评估可针对性地揭示每一名临床医师潜在的改建维度。结论利用机器学习技术实现以医疗大数据为载体综合评价临床医师临床工作绩效,有望为更科学、客观地评价临床医师工作绩效提供重要支撑。展开更多
目的·评价项目研制的可用于轻度认知功能障碍筛查的电子化认知评估系统的信度和效度,构建机器学习法判定模型并评估筛查效果。方法·采用分层随机的方法在上海和河南农村的社区、老年护理院及专科门诊抽取55岁以上的符合标准...目的·评价项目研制的可用于轻度认知功能障碍筛查的电子化认知评估系统的信度和效度,构建机器学习法判定模型并评估筛查效果。方法·采用分层随机的方法在上海和河南农村的社区、老年护理院及专科门诊抽取55岁以上的符合标准的老年人,由经过严格培训、操作规范的调查员对研究对象进行蒙特利尔认知评估量表(Montreal Cognitive Assessment,MoCA)的现场测试。电子化认知评估系统信度评价采用内部一致性系数,效度评价采用因子分析;以MoCA评估结果作为标准,使用分类准确率和曲线下面积(area under curve,AUC)比较朴素贝叶斯、随机森林、Logistic回归和K-邻近4种机器学习算法的分类效果。结果·研究的359名对象中,年龄中位数为63岁,82.80%为中学及以下学历;根据MoCA评分,可能患有轻度认知功能障碍的有147名。电子化认知评估系统的Cronbach'sα为0.84,KMO为0.78,Bartlett's球形检验P<0.05,共提取13个公因子,累计方差贡献率为75.10%。最优朴素贝叶斯分类模型的分类准确率为88.05%,AUC为0.941。结论·该电子化认知评估系统具有良好的信度、效度及分类效果,利用朴素贝叶斯分类模型分类准确度较高。展开更多
文摘目的利用医疗大数据和机器学习技术相结合,探索基于临床结果的临床医师绩效评价方法。方法采用非负主成分分析法(non-negative principal component analysis,NPCA),基于非负稀疏主成分算法(non-negative sparse principal component analysis,NSPCA)对170名治疗心血管疾病的临床医师的11个临床工作绩效指标进行综合指数拟合。同时,基于根本原因评估技术(root cause assessment techniques)构建置信区间计算每一名临床医师各指标范围。结果门诊出院诊断符合率、手术切口甲级愈合率、手术患者比例、三日确诊率、开展三级和四级手术比例、完成手术及操作数在区分临床医师工作绩效上较为显著,而术前平均住院日、30天内非计划再入院率、出院患者平均住院日、主要诊断治愈/好转、收治患者数在区分临床医师临床工作绩效上不显著。通过综合指数拟合可对所有临床医师的整体工作绩效进行排名,进一步对各具体指标的高、中、低绩效评估可针对性地揭示每一名临床医师潜在的改建维度。结论利用机器学习技术实现以医疗大数据为载体综合评价临床医师临床工作绩效,有望为更科学、客观地评价临床医师工作绩效提供重要支撑。
文摘目的·评价项目研制的可用于轻度认知功能障碍筛查的电子化认知评估系统的信度和效度,构建机器学习法判定模型并评估筛查效果。方法·采用分层随机的方法在上海和河南农村的社区、老年护理院及专科门诊抽取55岁以上的符合标准的老年人,由经过严格培训、操作规范的调查员对研究对象进行蒙特利尔认知评估量表(Montreal Cognitive Assessment,MoCA)的现场测试。电子化认知评估系统信度评价采用内部一致性系数,效度评价采用因子分析;以MoCA评估结果作为标准,使用分类准确率和曲线下面积(area under curve,AUC)比较朴素贝叶斯、随机森林、Logistic回归和K-邻近4种机器学习算法的分类效果。结果·研究的359名对象中,年龄中位数为63岁,82.80%为中学及以下学历;根据MoCA评分,可能患有轻度认知功能障碍的有147名。电子化认知评估系统的Cronbach'sα为0.84,KMO为0.78,Bartlett's球形检验P<0.05,共提取13个公因子,累计方差贡献率为75.10%。最优朴素贝叶斯分类模型的分类准确率为88.05%,AUC为0.941。结论·该电子化认知评估系统具有良好的信度、效度及分类效果,利用朴素贝叶斯分类模型分类准确度较高。
