Повышение эффективности здравоохранения в больнице Алмасара: анализ распределенных данных и управление рисками для пациентов

В этом исследовании представлена распределенная система, использующая RAY, кластеризацию K-средних и программное обеспечение Weka для анализа клинических данных группы больниц Алмасара в Триполи, Ливия. Цель состоит в том, чтобы снизить риск для пациентов и затраты на здравоохранение путем предоставления ежедневной обратной связи персоналу больницы. Система использует набор данных, содержащий информацию о 560 пациентах, включая такие детали, как идентификатор пациента, пол, идентификатор врача, идентификаторы тестов, лекарства и двоичную целевую переменную. Внедряя кластеризацию K-средних в Weka, система классифицирует пациентов и выявляет закономерности. В исследовании сначала рассматриваются существующие практики ухода за пациентами и обратной связи, а затем подробно описывается внедрение системы ежедневной обратной связи, которая включает в себя расширенный анализ данных для непрерывного управления отзывами пациентов и медицинскими данными. Использование кластеризации K-средних помогает сегментировать данные пациентов, выявляя конкретные факторы риска и области, требующие улучшения. Программное обеспечение Weka помогает провести углубленный анализ этих сегментов, что приводит к получению действенной информации. Результаты показывают значительное улучшение результатов лечения пациентов, снижение внутрибольничных инфекций и ошибок при приеме лекарств, а также повышение показателей удовлетворенности пациентов. В исследовании отмечается существенное снижение общих затрат на здравоохранение благодаря более эффективному распределению ресурсов и снижению показателей повторной госпитализации. Такая интеграция ежедневной обратной связи с передовыми инструментами анализа данных, такими как K-means и Weka, становится эффективной стратегией повышения безопасности пациентов и операционной эффективности в медицинских учреждениях, демонстрируя ценность принятия решений на основе данных и обеспечивая масштабируемую модель для других больниц. с целью улучшения ухода за пациентами и управления затратами

1. Anand, I., Madhura, M., Nikita, M., Varshitha, V.S., Rao, T., & Kodipalli, A. (2023). Analysis of Hospital Patient Data Using Computational Models. In International Conference on Information and Communication Technology for Intelligent Systems (pp. 107-119). Singapore: Springer Nature Singapore. https://doi.org/10.1007/978981-99-3758-5_11

2. Assefa, H. (2022). Predictive model to detect firstline antiretroviral therapy failure among HIV/AIDS patients in zewditu hospital, Addis Ababa. (Doctoral dissertation, St. Mary’s University). http://hdl.handle.net/6926/123456789

3. Badawy, M., Ramadan, N., & Hefny, H. A. (2023). Healthcare predictive analytics using machine learning and deep learning techniques: a survey. Journal of Electrical Systems and Information Technology, 10(1), 1-45. https://doi.org/10.1186/s43067-023-00108-y

4. Bhati, D., Deogade, M. S., & Kanyal, D. (2023). Improving patient outcomes through effective hospital administration: a comprehensive review. Cureus, 15(10), 1-12. https://doi.org/10.7759/cureus.47731

5. Cascini, F., Santaroni, F., Lanzetti, R., Failla, G., Gentili, A., & Ricciardi, W. (2021). Developing a data-driven approach in order to improve the safety and quality of patient care. Frontiers in public health, 9, 667819. https://doi.org/10.3389/fpubh.2021.667819

6. Dalla, L. O. F. B., & Ahmad, T. M. A. (2023). Heart Disease Prediction Via Using Machine Learning Techniques with Distributed System and Weka Visualization. Journal of Southwest Jiaotong University, 58(4), 322.333‏ https://doi.org/10.35741/issn.0258-2724.58.4.26

7. Duch, L. S. (2024). Enhancing Geriatric Care: Analyzing the Impact of Onsite Providers on Reducing Emergency Service Dependency in Assisted Living Communities (Doctoral dissertation, Northeastern University). https://www.proquest.com/docview/3083315516?fromopenview=true&pq-origsite=gscholar&sourcetype=Dissertations%20&%20Theses

8. Esmaeilzadeh, P. (2024). Challenges and strategies for wide-scale artificial intelligence (AI) deployment in healthcare practices: A perspective for healthcare organizations. Artificial Intelligence in Medicine, 151, 102861. https://doi.org/10.1016/j.artmed.2024.102861

9. Haddela Kankanamalage, P. S. (2023). An analysis of search query evolution in document classification and clustering (Doctoral dissertation, Sheffield Hallam University). https://shura.shu.ac.uk/id/eprint/33355

10. Herberg, S., & Teuteberg, F. (2023). Reducing hospital admissions and transfers to long-term inpatient care: A systematic literature review. Health Services Management Research, 36(1), 10-24. https://doi.org/10.1177/09514848211068620

11. Jones-Esan, L., Somasiri, N., & Lorne, K. (2024). Enhancing Healthcare Delivery Through Digital Health Interventions: A Systematic Review on Telemedicine and Mobile Health Applications in Low and Middle-Income Countries (LMICs). https://doi.org/10.21203/rs.3.rs-5189203/v1

12. Momahhed, S. S., Emamgholipour Sefiddashti, S., Minaei, B., & Shahali, Z. (2023). K-means clustering of outpatient prescription claims for health insureds in Iran. BMC public health 23, 788, 1-15. https://doi.org/10.1186/s12889-023-15753-1

13. Olsen, S. L. (2023). Succeeding with Rapid Response Systems in Hospitals: A mixed methods research project (Doctoral dissertation, Stavanger University). https://hdl.handle.net/11250/3100431

14. Sandhiya, R. (2020). Big Data Analytics and K-Means Clustering. In Green Computing and Predictive Analytics for Healthcare.CRC/llaH dna nampahC . ‏ https://doi.org/10.1201/9780429317224-3

15. Tomczyk, S., Twyman, A., de Kraker, M. E. A., Rehse, A. P. C., Tartari, E., Toledo, J. P., Cassini, А., Pittet, D., & Allegranzi, B. (2022). The first WHO global survey on infection prevention and control in health-care facilities. The Lancet Infectious Diseases, 22(6), 845-856. https://doi.org/10.1016/S1473-3099(21)00809-4

16. Wang, J. W. (2022). Application of artificial intelligence in the diagnosis and treatment of anterior segment diseases. International Eye Science, 12, 721-725. https://pesquisa.bvsalud.org/portal/resource/pt/wpr-923400

17. Wickramasinghe, L., Ekanayake, P., & Jayasinghe, J. (2022). Machine Learning and Statistical Techniques for Daily Wind Energy Prediction. Gazi University Journal of Science, 35(4), 1359-1370. https://doi.org/10.35378/gujs.961338