Die Rangfolge des Informationsgewinns, der aus dem Gradienten-Boost-Modell (XGBoost) extrahiert wurde, stellt eine Reihe bemerkenswerter Merkmale dar. Insbesondere kann die Bedeutung der Arzneimittelanzahl im Modell entweder ein Proxy-Feature für die medizinische Komplexität widerspiegeln oder darauf hinweisen, dass die Polypharmazie selbst ein Risikofaktor ist [42,43]. Es überrascht nicht, dass die vom Emergency Severity Index (ESI) kodierte Triage-Stufe einen hohen Informationsgewinn aufwies [44,45], ebenso wie frühere Statistiken über die Krankenhausnutzung, wie die Anzahl der Einweisungen im vergangenen Jahr und die Disposition des vorherigen ED-Besuchs. Variablen, die mit dem Alter korreliert waren, und Marker des sozioökonomischen Status wie versicherungsart waren einige der anderen Merkmale, die in unserem Modell identifiziert wurden und zuvor mit der Krankenhauseinweisung in Verbindung gebracht wurden [46–48]. Wir zeigen, dass diese Funktionen kombiniert werden können, um ein niedrigdimensionales Modell zu schaffen, das als klinische Entscheidungsunterstützung in EHR-Systemen umgesetzt werden kann. Die Entscheidung, empirische Transmissions-basierte Vorsichtsmaßnahmen einzustellen, indem die Diagnose von COVID-19 für einen vermuteten COVID-19-Patienten ausgeschlossen wird, kann auf der Grundlage negativer Ergebnisse aus mindestens einem FDA Emergency Use Authorized COVID-19 molecular assay for detection of SARS-CoV-2 RNA getroffen werden. Peck JS, Benneyan JC, Nightingale DJ, Gaehde SA (2014) Charakterisieren den Wert von Predictive Analytics bei der Erleichterung des Krankenhauspatientenflusses. IIE Trans Healthc Syst Eng 4:135–143 Handly N, Thompson DA, Venkat A (2013) Ableitung und Validierung eines Krankenhauseinweisungsmodells, das kodierte Hauptbeschwerden zu demografischen, notärztlichen Betriebs- und Patientenschärfedaten hinzufügt, die in der Notfallabteilung Triage mit neuronaler Netzmethodik verfügbar sind. Ann Emerg Med 62:S138 Aus hundert Iterationen des vollständigen XGBoost-Modells extrahierten Variablen werden in Abb.

3 dargestellt (numerische Werte in der S2-Tabelle). Variablen, die esI-Niveau, ambulante Medikamentenzahlen, Demografie und Krankenhausnutzungsstatistiken darstellen, zeigten einen hohen Informationsgewinn. Ein niederdimensionales XGBoost-Modell, das auf Variablen aus diesen vier Kategorien aufbaut, darunter ESI-Niveau, Alter, Geschlecht, Familienstand, Beschäftigungsstatus, Versicherungsstatus, Rasse, ethnische Zugehörigkeit, Primärsprache, Religion, Anzahl der ED-Besuche innerhalb eines Jahres, Anzahl der Zulassungen innerhalb eines Jahres, Disposition des vorherigen ED-Besuchs, Gesamtzahl früherer Operationen oder Verfahren und ambulante Medikamente nach therapeutischen Kategorien , ergab einen Test-AUC von 0,91 (95% CI 0,91–0,91). In Anfertigung von früheren Arbeiten [9,12,20] bauen wir eine Reihe von binären Klassifikatoren auf 560.486 Patientenbesuchen mit 972 Variablen pro Besuch aus der EHR, einschließlich früherer Statistiken zur Nutzung des Gesundheitswesens, vergangener Krankengeschichte, historischer Labore und Vitalstoffe, früherer Abbildungszahlen und ambulanter Medikamente sowie feiner demografischer Details wie Versicherung und Beschäftigungsstatus.