p Na IBM Research, estamos explorando novas soluções para uma série de desafios de saúde. Um desses desafios é a superlotação da sala de emergência (ER), o que pode levar a longos tempos de espera pelo tratamento. A superlotação resulta em parte de pessoas que visitam o pronto-socorro para condições não emergenciais, em vez de depender de médicos primários. Os pacientes que usam o pronto-socorro para situações não emergenciais têm maior probabilidade de retornar ao pronto-socorro várias vezes (Poole et al. 2016), contribuindo ainda mais para a superlotação. Identificar os pacientes que provavelmente retornarão ao pronto-socorro pode permitir que os hospitais intervenham para garantir o acesso aos cuidados necessários fora do pronto-socorro e, potencialmente, aliviar a superlotação. p Um modelo de rede neural

p Minha equipe na IBM Research-China aceitou esse desafio. Desenvolvemos um novo modelo de rede neural para prever quantas vezes uma pessoa visitará o pronto-socorro com base nas informações de seus registros eletrônicos de saúde (EHRs). O modelo é baseado em uma rede neural recorrente típica, mas, ao contrário dos métodos tradicionais de aprendizado de máquina, exibe um comportamento temporal dinâmico com base nas informações de EHR e tem uma estrutura complexa para modelar melhor a correlação entre as visitas ao pronto-socorro e outros dados do paciente (Figura 1). Usamos o modelo para fazer previsões precisas sobre se e quantas vezes uma pessoa visitará o pronto-socorro e descobrimos que ele superou outras técnicas comuns. Por exemplo, a precisão do nosso modelo foi 6,59 por cento maior do que um modelo de regressão logística típico para prever se uma pessoa visitará o pronto-socorro e> 90 por cento maior na previsão do número de visitas ER em comparação com o modelo de regressão linear. Nosso modelo também teve uma precisão aproximadamente 2 por cento maior do que o modelo XGboost popular na previsão do número de visitas ER.

p Ao prever melhor quantas vezes uma pessoa visitará o pronto-socorro, esperamos que este modelo possa permitir aos hospitais estabelecer, Prioritizar, e direcionar intervenções para garantir que os pacientes tenham acesso aos cuidados de que necessitam fora de um ambiente de emergência.

p Compartilhando nosso trabalho

p Esses resultados, juntamente com cinco outros artigos da equipe de pesquisa da IBM na China, foram aceitos pela Medical Informatics Europe 2018, uma conferência de informática médica premier ocorrendo esta semana em Gotemburgo, Suécia. Os outros artigos envolvem a análise de evidências do mundo real sobre as interações de subgrupos de tratamento, detecção de anomalias na utilização de suprimentos médicos, uso de aprendizado profundo e outras tecnologias de aprendizado de máquina para responder às perguntas dos pacientes, e predição de eventos cardíacos adversos maiores em hospitais usando um modelo linear generalizado. Os detalhes de todos os seis artigos aceitos estão listados abaixo. Nossos colaboradores nesses projetos representam hospitais de primeira linha (Fuwai Hospital e Anzhen Hospitals) e empresas farmacêuticas de primeira linha (Pfizer). Trabalhando com os melhores parceiros com os melhores dados sobre os problemas mais desafiadores do mundo real, podemos gerar resultados de pesquisa de classe mundial na China.