دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: سازمان و پردازش داده ها ویرایش: نویسندگان: Chengliang Yang, Chris Delcher, Elizabeth Shenkman, Sanjay Ranka سری: ISBN (شابک) : 0367342901, 9780367342906 ناشر: CRC Press سال نشر: 2020 تعداد صفحات: 119 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
در صورت تبدیل فایل کتاب Data Driven Approaches for Healthcare: Machine Learning for Identifying High Utilizers به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب رویکردهای داده محور برای مراقبت های بهداشتی: یادگیری ماشین برای شناسایی استفاده کنندگان بالا نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
استفاده از مراقبت های بهداشتی به طور معمول حجم وسیعی از داده
ها را از منابعی از سوابق پزشکی الکترونیکی، ادعاهای بیمه، علائم
حیاتی و نتایج گزارش شده توسط بیمار تولید می کند. پیشبینی
پیامدهای سلامت با استفاده از رویکردهای مدلسازی داده، زمینهای
نوظهور است که میتواند بینشهای مهمی را در مورد الگوهای
هزینههای نامتناسب آشکار کند. این کتاب روشهای مبتنی بر داده،
بهویژه یادگیری ماشینی را برای درک و نزدیک شدن به مشکل
استفادهکنندگان بالا، با استفاده از مثال یک برنامه بزرگ بیمه
عمومی ارائه میکند. اهداف مهمی را برای رویکردهای مبتنی بر داده
از جنبههای مختلف مشکل استفادهکننده بالا توصیف میکند و
چالشهای منحصربهفرد ناشی از این مشکل را شناسایی میکند.
ویژگیهای کلیدی:
عناصر اساسی داده های مراقبت های بهداشتی، به ویژه برای داده های
ادعاهای اداری، از جمله کد بیماری، کدهای رویه، و کدهای دارو را
معرفی می کند. جمعیت بهترین مدل رگرسیون خطی و درختی را شناسایی
می کند تا بارهای وضعیت حاد و مزمن و ویژگی های جمعیت شناختی
بیماران را محاسبه کند.
Health care utilization routinely generates vast amounts of
data from sources ranging from electronic medical records,
insurance claims, vital signs, and patient-reported outcomes.
Predicting health outcomes using data modeling approaches is an
emerging field that can reveal important insights into
disproportionate spending patterns. This book presents data
driven methods, especially machine learning, for understanding
and approaching the high utilizers problem, using the example
of a large public insurance program. It describes important
goals for data driven approaches from different aspects of the
high utilizer problem, and identifies challenges uniquely posed
by this problem.
Key Features:
Introduces basic elements of health care data, especially for
administrative claims data, including disease code, procedure
codes, and drug codes Provides tailored supervised and
unsupervised machine learning approaches for understanding and
predicting the high utilizers Presents descriptive data driven
methods for the high utilizer population Identifies a
best-fitting linear and tree-based regression model to account
for patients' acute and chronic condition loads and demographic
characteristics
Introduction. Overview of Healthcare Data. Machine Learning Modeling from Healthcare Data. Machine Learning Modeling from Healthcare Data. Descriptive Analysis of High Utlizers. Residuals Analysis for Identifying High Utilizers.Machine Learning Results for High Utilizers.