پیش بینی خودکشی منجر به مرگ بیماران به کمک تحلیل داده های سیستم مراقبت های بهداشتی

هدف از این مطالعه مقایسه عملکرد مدل های تکی یادگیری ماشین (شبکه عصبی بازگشتی و شبکه عصبی کانولوشن) با ترکیب این تکنیک های یادگیری ماشین (ترکیب شبکه عصبی بازگشتی و شبکه عصبی کانولوشن)روی داده های سیستم مراقبت های بهداشتی جهت پیش بینی مرگ در خودکشی بیماران است. مجموعه داده تحقیق مطابق با منبع است.برای اینکه ارائه دهندگان خدمات مراقبت های بهداشتی و ارائه دهندگان خط مشی مراقبت های بهداشتی اقداماتی را برای کاهش خطر خودکشی انجام دهند، باید بتوانند خطر خودکشی را کمیت سازی کنند. متاسفانه، کمی کردن خطر خودکشی دشوار است، زیرا خودکشی نادر است و عوامل خطر برای خودکشی رایج هستند. علاوه بر این، بسیاری از عوامل خطر برای خودکشی در طول زمان تغییر نمی کنند که تعیین کمیت حاد خطر خودکشی را دشوارتر می کند..داده های مراقبت های بهداشتی اداری به دلیل حجم و گستردگی داده ها به طور بالقوه برای توسعه مدل های پیش بینی ارزشمند هستند و به این دلیل که جمع آوری مداوم آن به این معنی است که مدل های پیش بینی توسعه یافته با این داده ها می توانند در آینده برای اطلاع رسانی خدمات و سیاست های مراقبت های بهداشتی مورد استفاده قرار گیرند. با در دسترس بودن سخت افزار و نرم افزار یادگیری ماشین برای افراد غیرمتخصص و با افزایش حجم داده های مراقبت های بهداشتی اداری، فرصتی وجود دارد برای ارزیابی اینکه آیا مدل های ترکیبی یادگیری ماشین می توانند بر روی مدل های تکی یادگیری ماشین برای تعیین کمیت خطر خودکشی بهبود یابند.

کلیدواژه ها:

داده کاوی ، داده های سیستم مراقبت های بهداشتی ، فراگیری ماشین ، خودکشی بیمار ، پیش بینی مرگ