手术后患者再入院风险模拟与预测

与再入院相关的高死亡率和高成本要求对再入院风险进行准确和早期预测，以便及时处理可能导致再入院的术后并发症。然而，对患者出院后再入院的早期和持续预测是具有挑战性的。

在我们的研究中，我们利用移动传感和深度学习的能力，对癌症患者出院后的每日再入院风险进行测量和依次建模。我们在LSTM结构中建立了一个概率模型，从每个病人处理过的行为移动数据中推断出他们的风险进展轨迹。我们利用49名患者出院后60天内收集的智能手机和Fitbit设备数据进行评估，证明我们的框架有能力密切模拟癌症患者的再入院风险进展轨迹，使预测和实际再入院风险之间的误差最小。

我们的研究通过利用移动设备和深度学习模型的能力来解决出院后每日再入院风险预测的挑战。如LSTM特别适合处理连续数据(如日常行为数据)，并有能力准确预测模型的下一个状态。我们在一个概率框架中利用这些能力来预测患者群体中再入院风险的每日进展情况。我们使用手机和Fitbit设备收集的49名患者出院后60天的数据对该框架进行了评估，证明了我们的框架有能力密切预测癌症患者的每日再入院风险进展，使预测和实际再入院风险之间的误差最小，并优于经典的回归方法。我们的贡献如下:

• 我们开发了一种新的方法，将目前医院使用的静态医疗管理风险评估值作为LSTM结构中的初始风险概率，从每个病人处理的行为移动数据中推断出他们的再入院风险进展轨迹。
• 我们开发了一种新的排名方法来评估生成模型的性能。这种方法特别有助于选择能更准确地估计出院后早期风险水平的模型，因为在这些地方，病人的再入院风险更高。
• 据我们所知，这是第一个通过利用移动数据和深度学习框架来预测每日再入院风险的方法。这个框架可以促进对医院外病人的持续监测，帮助临床专业人员识别有风险的病人并采取相应行动。