基于数据挖掘技术的医院再入院率预测模型构建与影响因素分析

来自伊朗德黑兰的研究人员针对高再入院率导致的医疗资源紧张问题，采用CRISP-DM方法论开展回顾性队列研究。通过神经网络和C5决策树分析47,892份电子病历，发现出院类型(系数0.28)、住院科室(0.21)和住院时长(0.16)是关键影响因素，模型预测准确率达61.2%，为临床决策提供数据支持。

　　

这项发表在德黑兰大型专科医院的研究开创性地应用数据挖掘(Data Mining)技术破解再入院率难题。科研团队采用跨行业数据挖掘标准流程(CRISP-DM)，对2018-2019年度47,892份电子医疗记录(EMR)进行深度挖掘。

神经网络模型像"医疗侦探"般捕捉到三大关键线索：出院类型(影响系数0.28)、住院科室(0.21)和住院时长(0.16)，这些因素共同构成61.2%的预测准确率。而C5决策树算法则像"决策导航仪"，精准定位住院时长(0.12)、用药数量(0.11)和出院类型(0.10)的剂量效应关系。

研究数据揭示惊人发现：11.95%的患者会"二进宫"，其中8.63%重复1次，2.32%重复2次，还有1%成为"常客"。非急诊入院、保守治疗和特定出院类型的患者尤其需要警惕。这些发现为医院装上"预警雷达"，通过优化数据管理，可提前识别高风险患者，实现精准医疗资源配置。