基于混合采样的患者投诉中安全事件的自动识别

患者投诉是改善患者体验、提高医疗服务质量的重要资源,患者安全事件是引起医疗纠纷或医疗暴力事件的重要原因。从患者投诉中自动识别患者安全事件有 助于及时发现和处理潜在的医疗纠纷,提高患者满意度。患者投诉主题分布的不均衡,利用机器学习方法监测患者安全事件的效果往往较差。针对该问题,可采用文本分类及混合采样的数据处理方法,从患者投诉中自动识别患者安全事件。实验结果表明,使用随机森林分类器,将数据不均衡比例调整为1∶1时,自动识别的性能最好,达到G均值97.97%、受试者工作特征曲线下面积99.82%和PR曲线下面积99.81%,说明该方法可以有效自动识别患者投诉中的安全事件,避免医患纠纷的发生。     

基于hLDA层次主题模型的患者投诉分类框架研究

目的：使用机器学习方法构建患者投诉分类框架,以更好地评估医疗服务的质量。方法：使用hierarchical latent Dirichlet Allocation(hLDA）层次主题模型挖掘患者投诉数据的主题,再归纳出一个分类框架,并对患者投诉的主题分布进行可视化分析。结果：构建了一个基于患者投诉的分类框架,包括5个大类7个小类。可视化分析结果表明,患者投诉主要集中在临床服务类、环境类、管理类,共占88.37%。结论：通过对患者投诉数据进行挖掘,构建患者投诉分类框架,有利于更加科学合理地评估医疗服务质量。     

基于长短期记忆模型的患者投诉自动分类研究

患者投诉是改善医疗服务管理的珍贵资源。针对患者投诉分析需要大量人力、时间成本以及分类存在主观影响的问题，使用一种科学的分类标准对收集到的患者投诉进行人工标注，设计了一种基于长短期记忆模型的多个二元分类器结合的方法对患者投诉语料进行分类，探索了分类器对于单标签语料、多标签语料和仿真语料的分类预测的性能，为患者投诉分类提供了一种全新高效的方法，为更好地理解患者投诉打下坚实基础。