Este estudio tenía como objetivo proporcionar métodos eficaces para la identificación de cirugías con alto riesgo de cancelación basados en modelos de aprendizaje automático y analizar los factores clave que afectan al rendimiento de la identificación. Los datos abarcaron el periodo comprendido entre el 1 de enero de 2013 y el 31 de diciembre de 2014 en el Hospital West China de China, centrado en cirugías urológicas electivas. Todas las cirugías se programaron con un día de antelación, y todas las cancelaciones fueron de tipo institucional relacionadas con los recursos y la capacidad. Las estrategias de selección de características, los modelos de aprendizaje automático y los métodos de muestreo son los temas más debatidos en las investigaciones generales sobre aprendizaje automático y tienen un impacto directo en el rendimiento de los modelos de aprendizaje automático. Por lo tanto, se tuvieron en cuenta para generar sistemáticamente esquemas completos en la identificación de cancelaciones quirúrgicas basada en el aprendizaje automático. Los resultados demostraron la viabilidad y solidez de la identificación de cirugías con alto riesgo de cancelación, con el considerable máximo del área bajo la curva (AUC) (0,7199) para el modelo de bosque aleatorio con muestreo original utilizando la estrategia de selección hacia atrás. Además, se realizaron la prueba de Delong unilateral y el análisis de suma de errores cuadrados para medir los efectos de la estrategia de selección de características, el modelo de aprendizaje automático y el método de muestreo en la identificación de cirugías con alto riesgo de cancelación, y se identificó la selección del modelo de aprendizaje automático como los factores clave que afectan a la identificación de cirugías con alto riesgo de cancelación. Este estudio ofrece metodología y conocimientos para identificar los factores experimentales clave para la identificación de cancelaciones de cirugías, y es útil para futuras investigaciones sobre la identificación basada en aprendizaje automático de cirugías con alto riesgo de cancelación.
Citación recomendada (normas APA)
Hindawi, "Key Experimental Factors of Machine Learning-Based Identification of Surgery Cancellations", -:Revista VirtualPRO,, 2021. Consultado en línea en la Biblioteca Digital de Bogotá (https://www.bibliotecadigitaldebogota.gov.co/resources/3888908/), el día 2025-07-04.
¡Disfruta más de la BDB!
Explora contenidos digitales de forma gratuita, crea tus propias colecciones, colabora y comparte con otros.
