CN105893766B - 基于数据挖掘的分级诊疗评估方法 - Google Patents
基于数据挖掘的分级诊疗评估方法 Download PDFInfo
- Publication number
- CN105893766B CN105893766B CN201610209088.7A CN201610209088A CN105893766B CN 105893766 B CN105893766 B CN 105893766B CN 201610209088 A CN201610209088 A CN 201610209088A CN 105893766 B CN105893766 B CN 105893766B
- Authority
- CN
- China
- Prior art keywords
- patient
- hospital
- treatment
- patients
- code
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于数据挖掘的分级诊疗评估方法。该方法从病案中提取患者基本信息和诊疗信息,并与病种信息、医疗机构信息关联,先对数据清洗和填补缺失值,划分不同流向的患者;再利用此数据,计算分级诊疗监测指标;通过GainRatioAttributeEva特征选择算法和RIPPER分类算法,刻画不同患者就诊行为及特征。本发明通过质化指标和量化指标对分级诊疗进行评估,克服了当前分级诊疗评估方法中只有量化指标、指标需要层层上报、上报过程中存在错报乱报、缺乏追踪指标背后原因的缺陷,并利用数据挖掘技术,使得分级诊疗评估更加及时、准确。
Description
技术领域
本发明涉及一种基于数据挖掘的分级诊疗评估方法。
背景技术
近年来,大型医疗机构“人满为患”、基层医疗机构“门可罗雀”的现象愈演愈烈,推进分级诊疗制度成为医改的重中之重。分级诊疗是按照疾病的轻重缓急及治疗的难易程度进行分级,不同级别的医疗机构承担不同疾病的治疗,实现医疗资源的合理分配。
目前,四川省分级诊疗的评价方法是采用基本信息评价与现场检查评价相结合的方式,这种基于“统计汇总、人工上报”的监测评价方法,仅能掌握医疗机构量化指标,缺乏全方位把控医疗服务供需双方特点及其相关影响因素,难以对政策制定和宏观把控提供足够支撑,同时人工上报还可能存在虚报、错报,不能真实反应医院的情况。
随着医疗信息化的不断推进,越来越多的医疗或医保机构与研究者合作,挖掘医疗数据中潜在的有用信息,提供决策支持,而利用数据挖掘技术,如何合理有效评估分级诊疗执行情况,仍有待于研究。
发明内容
本发明的目的在于克服当前分级诊疗评估方法中只有量化指标、指标需要层层上报、上报过程中存在错报乱报、缺乏追踪指标背后原因的缺陷,提供一种通过质化指标和量化指标对分级诊疗进行评估的方法,使得分级诊疗评估更加及时、准确。
本发明的目的是通过以下技术方案来实现的:基于数据挖掘的分级诊疗评估方法,它包括如下子步骤:
S1:将患者、疾病、医院病案多维数据相关联;
S2:对关联后的患者、疾病、医院多维数据进行预处理;
S3:从病案数据中识别不同流向的患者;
S4:通过特征通过选择算法和分类算法从病案数据中计算患者性质,进行质化评估;
S5:基于病案数据得到量化数值信息,进行量化评估。
所述的预处理包括如下子步骤:
S201:修正填写不规范的字段,将汉字统一成规范的数字编码;
S202:在多维关联后的数据中,进行字段间相关性分析;
S203:根据住院期间病情和入院病情的相关性,填补患者病情的缺失值,通过以下策略:
(1)如果住院期间病危或者病重,则将入院病情填补为“急”,
(2)如果住院期间未出现病危或者病重,则将入院病情填补为“一般”,
(3)如果入院病情一般,则将住院期间病情填补为“未出现病危或病重”,
(4)如果入院病情危或急,则将住院期间病情填补为“出现病危或病重”;
S204:根据患者现住址、区号、邮编间的相关性,填补患者现住址的行政区划代码,通过以下策略:
A.如果填写详细地址,则通过关联行政区划表,填补对应区号,可信度,否则转下一步,
B.如果填写行政区划代码和邮编,根据邮编查找行政区划代码,并与行政区划代码比较,如果两者一致,填补对应区号,可信度,如果两者不一致,以行政区划代码为主,填补现住址区号,可信度,否则转下一步,
C.如果填写邮编,填补对应区号,可信度,否则转下一步,
D.如果详细地址中缺少市、区或县,只填写了镇、乡、村、组,根据医院所在市、区补充,再通过关联行政区划表,填补对应区号,可信度,否则转下一步。
所述的识别不同流向的患者是从患者就诊数据中发现患者去哪个区县、哪个级别的医院就诊,包括以下子步骤:
S301:根据患者入院途径、出院途径、就诊的医院级别,将患者分为“直接就诊”和“从上级医院向下转诊”、“从下级医院向上转诊”三类;
S302:再根据患者病种与就诊医院级别,将患者分为“跨级就诊”和“基层就诊”两类;
S303:再根据患者现住址区号与医院地址区号,将患者分为“跨市就诊”、“跨县就诊”和“县域内就诊”三类。
所述的质化评估以下子步骤:
S401:选取就诊医院等级、医院地址、医院分级诊疗中的层级、患者年龄段、性别、疾病大类、病种类别、住院天数、手术级别、民族、职业、婚姻、患者现住址、入院病情、住院期间是否病危或病重、出院情况、离院方式作为描述患者基本信息和就诊信息的特征;
S402:应用GainRatioAttributeEva特征选择算法,对不同流向患者的多个特征之间作对比,得到不同流向患者的信息的差异点,并按差异性大小排序;
S403:将患者按照不同的就诊流向划分为“县域内基层就诊”、“县域内跨级就诊”、“跨县基层就诊”、“跨县跨级就诊”、“跨市基层就诊”、“跨市跨级就诊”六类,每类患者特征属性为特征选择算法中选择的差异性较大的特征;
S404:将每类患者特征属性数据集划分为训练集和测试集,应用RIPPER分类算法,通过实验确定优化次数,得到不同流向患者的特征,即规则;
S405: 按照正确数和准确率对所得规则做筛选,删除那些正确数低于阈值,准确率低于阈值的规则,得到最后的不同流向上患者特征。
S406:从患者特征上评估患者就诊流向是否合理,得到质化评价结果。
所述的量化数值信息是基于病案数据根据《四川省分级诊疗重点监测指标》得到的数值型信息。
本发明的有益效果是:1、对病案数据进行清洗和填补,将有效数据量从57.69%提高到92.30%,解决了当前因为数据质量差,不能直接使用业务数据的问题;
2、直接从数据源头计算分级诊疗评估的量化指标,减少中间环节,提高了分级诊疗评估的及时性和准确性;
3、在量化评估的基础上增加质化评估,整合与挖掘不同维度、不同层次的数据,综合分析医疗服务供需双方特点,及其影响服务提供与利用的因素,发现机制推进过程中隐藏的问题和困难,使得评估更加全面、客观。
附图说明
图1为本发明的基本思想流程图;
图2为本发明的数据预处理流程图;
图3为本发明的填补患者现住址流程图;
图4为本发明的根据入院途径划分患者流向流程图;
图5为本发明的根据出院途径划分患者流向流程图;
图6为本发明的质化评估流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,基于数据挖掘的分级诊疗评估方法,它包括如下子步骤:
S1:将患者、疾病、医院病案多维数据相关联;
S2:对关联后的患者、疾病、医院多维数据进行预处理;
S3:从病案数据中识别不同流向的患者;
S4:通过特征通过选择算法和分类算法从病案数据中计算患者性质,进行质化评估;
S5:基于病案数据得到量化数值信息,进行量化评估。
如图2所示,先对患者、疾病、医院多维数据关联和预处理,以病人信息为中心,先通过医院ID关联医院信息,通过患者诊断中ICD10编码关联疾病信息,再进行数据清洗、字段间相关性分析、填补缺失值。
所述的预处理包括如下子步骤:
S201:修正填写不规范的字段,将汉字统一成规范的数字编码;
S202:在多维关联后的数据中,进行字段间相关性分析;
S203:根据病案首页数据,根据住院期间病情和入院病情的相关性,填补患者病情的缺失值,通过以下策略:
(1)如果住院期间病危或者病重,则将入院病情填补为“急”,
(2)如果住院期间未出现病危或者病重,则将入院病情填补为“一般”,
(3)如果入院病情一般,则将住院期间病情填补为“未出现病危或病重”,
(4)如果入院病情危或急,则将住院期间病情填补为“出现病危或病重”;
S204:如图3所示,根据病案首页数据,根据患者现住址、区号、邮编间的相关性,填补患者现住址的行政区划代码,通过以下策略:
A.如果填写详细地址,则通过关联行政区划表,填补对应区号,可信度,否则转下一步,
B.如果填写行政区划代码和邮编,根据邮编查找行政区划代码,并与行政区划代码比较,如果两者一致,填补对应区号,可信度,如果两者不一致,以行政区划代码为主,填补现住址区号,可信度,否则转下一步,
C.如果填写邮编,填补对应区号,可信度,否则转下一步,
D.如果详细地址中缺少市、区或县,只填写了镇、乡、村、组,根据医院所在市、区补充,再通过关联行政区划表,填补对应区号,可信度,否则转下一步。
如图4,5所示,识别不同流向的患者是从患者就诊数据中发现患者去哪个区县、哪个级别的医院就诊,包括以下子步骤:
S301:根据患者入院途径、出院途径、就诊的医院级别,将患者分为“直接就诊”和“从上级医院向下转诊”、“从下级医院向上转诊”三类;
S302:再根据患者病种与就诊医院级别,将患者分为“跨级就诊”和“基层就诊”两类,患者病种分为基本医疗病种和疑难重症病种;
S303:再根据患者现住址区号与医院地址区号,将患者分为“跨市就诊”、“跨县就诊”和“县域内就诊”三类。
如图6所示,所述的质化评估以下子步骤:
S401:选取就诊医院等级、医院地址、医院分级诊疗中的层级、患者年龄段、性别、疾病大类、病种类别、住院天数、手术级别、民族、职业、婚姻、患者现住址、入院病情、住院期间是否病危或病重、出院情况、离院方式作为描述患者基本信息和就诊信息的特征;
S402:应用GainRatioAttributeEva特征选择算法,对不同流向患者的多个特征之间作对比,得到不同流向患者的信息的差异点,并按差异性大小排序;
S403:将患者按照不同的就诊流向划分为“县域内基层就诊”、“县域内跨级就诊”、“跨县基层就诊”、“跨县跨级就诊”、“跨市基层就诊”、“跨市跨级就诊”六类,每类患者特征属性为特征选择算法中选择的差异性较大的特征;
S404:将每类患者特征属性数据集划分为训练集和测试集,应用RIPPER分类算法,通过实验确定优化次数,得到不同流向患者的特征,即规则;
S405: 按照正确数和准确率对所得规则做筛选,删除那些正确数低于阈值,准确率低于阈值的规则,得到最后的不同流向上患者特征。
S406:从患者特征上评估患者就诊流向是否合理,得到质化评价结果。
所述的量化数值信息是基于病案数据根据《四川省分级诊疗重点监测指标》得到的数值型信息。
Claims (2)
1.基于数据挖掘的分级诊疗评估方法,其特征在于:它包括如下子步骤:
S1:将患者、疾病、医院病案多维数据相关联;
S2:对关联后的患者、疾病、医院多维数据进行如下预处理:
S201:修正填写不规范的字段,将汉字统一成规范的数字编码;
S202:在多维关联后的数据中,进行字段间相关性分析;
S203:根据住院期间病情和入院病情的相关性,填补患者病情的缺失值,通过以下策略:
(1)如果住院期间病危或者病重,则将入院病情填补为“急”,
(2)如果住院期间未出现病危或者病重,则将入院病情填补为“一般”,
(3)如果入院病情一般,则将住院期间病情填补为“未出现病危或病重”,
(4)如果入院病情危或急,则将住院期间病情填补为“出现病危或病重”;
S204:根据患者现住址、区号、邮编间的相关性,填补患者现住址的行政区划代码,通过以下策略:
A.如果填写详细地址,则通过关联行政区划表,填补对应区号,可信度,否则转下一步,
B.如果填写行政区划代码和邮编,根据邮编查找行政区划代码,并与行政区划代码比较,如果两者一致,填补对应区号,可信度,如果两者不一致,以行政区划代码为主,填补现住址区号,可信度,否则转下一步,
C.如果填写邮编,填补对应区号,可信度,否则转下一步,
D.如果详细地址中缺少市、区或县,只填写了镇、乡、村、组,根据医院所在市、区补充,再通过关联行政区划表,填补对应区号,可信度,否则转下一步;
S3:从病案数据中识别不同流向的患者;
S4:通过特征选择算法和分类算法从病案数据中计算患者性质,进行质化评估;
S401:选取就诊医院等级、医院地址、医院分级诊疗中的层级、患者年龄段、性别、疾病大类、病种类别、住院天数、手术级别、民族、职业、婚姻、患者现住址、入院病情、住院期间是否病危或病重、出院情况、离院方式作为描述患者基本信息和就诊信息的特征;
S402:应用GainRatioAttributeEva特征选择算法,对不同流向患者的多个特征之间作对比,得到不同流向患者的信息的差异点,并按差异性大小排序;
S403:将患者按照不同的就诊流向划分为“县域内基层就诊”、“县域内跨级就诊”、“跨县基层就诊”、“跨县跨级就诊”、“跨市基层就诊”、“跨市跨级就诊”六类,每类患者特征属性为特征选择算法中选择的差异性较大的特征;
S404:将每类患者特征属性数据集划分为训练集和测试集,应用RIPPER分类算法,通过实验确定优化次数,得到不同流向患者的特征,即规则;
S405: 按照正确数和准确率对所得规则做筛选,删除那些正确数低于阈值,准确率低于阈值的规则,得到最后的不同流向上患者特征;
S406:从患者特征上评估患者就诊流向是否合理,得到质化评价结果;
S5:基于病案数据得到量化数值信息,进行量化评估。
2.根据权利要求1所述的基于数据挖掘的分级诊疗评估方法,其特征在于:所述的识别不同流向的患者是从患者就诊数据中发现患者去哪个区县、哪个级别的医院就诊,包括以下子步骤:
S301:根据患者入院途径、出院途径、就诊的医院级别,将患者分为“直接就诊”和“从上级医院向下转诊”、“从下级医院向上转诊”三类;
S302:再根据患者病种与就诊医院级别,将患者分为“跨级就诊”和“基层就诊”两类;
S303:再根据患者现住址区号与医院地址区号,将患者分为“跨市就诊”、“跨县就诊”和“县域内就诊”三类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610209088.7A CN105893766B (zh) | 2016-04-06 | 2016-04-06 | 基于数据挖掘的分级诊疗评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610209088.7A CN105893766B (zh) | 2016-04-06 | 2016-04-06 | 基于数据挖掘的分级诊疗评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105893766A CN105893766A (zh) | 2016-08-24 |
CN105893766B true CN105893766B (zh) | 2022-03-18 |
Family
ID=57013418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610209088.7A Active CN105893766B (zh) | 2016-04-06 | 2016-04-06 | 基于数据挖掘的分级诊疗评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105893766B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106970996B (zh) * | 2017-04-05 | 2021-02-19 | 苏华巍 | 一种数据分析***和方法 |
CN109102895A (zh) * | 2017-06-21 | 2018-12-28 | 京东方科技集团股份有限公司 | 医疗数据匹配装置和方法 |
TWI647653B (zh) * | 2017-09-28 | 2019-01-11 | 國立臺灣大學 | 病人轉診系統及其方法 |
CN108335200A (zh) * | 2018-05-03 | 2018-07-27 | 湖南大学 | 一种基于特征选取的信用评级方法 |
CN108596758A (zh) * | 2018-05-03 | 2018-09-28 | 湖南大学 | 一种基于归类规则分类器的信用评级方法 |
CN109147879B (zh) * | 2018-07-02 | 2021-07-27 | 北京众信易保科技有限公司 | 基于医疗单据的可视化报表的方法和*** |
CN109192285B (zh) * | 2018-08-15 | 2022-01-25 | 京东方科技集团股份有限公司 | 医疗资源分配方法、装置、***、电子设备及存储介质 |
CN109448807A (zh) * | 2018-10-12 | 2019-03-08 | 成都数联易康科技有限公司 | 一种基于医生医疗服务行为分析的患者就医导向实现方法 |
CN109545298A (zh) * | 2018-10-30 | 2019-03-29 | 平安医疗健康管理股份有限公司 | 一种基于数据分析的病种分值计算方法及计算设备 |
CN109524069B (zh) * | 2018-11-09 | 2021-09-10 | 南京医渡云医学技术有限公司 | 医疗数据处理方法、装置、电子设备和存储介质 |
CN109783788A (zh) * | 2019-01-02 | 2019-05-21 | 深圳壹账通智能科技有限公司 | 数据表填补方法、装置、计算机设备和存储介质 |
CN110459285A (zh) * | 2019-08-16 | 2019-11-15 | 济南大学 | 疾病就诊数据的预处理方法、***、设备及介质 |
CN110706773A (zh) * | 2019-12-10 | 2020-01-17 | 四川大学华西医院 | 患者入院管理方法及装置 |
CN111180028B (zh) * | 2019-12-26 | 2023-05-30 | 北京亚信数据有限公司 | 一种基于医疗大数据的患者画像特异性规则筛选方法及装置 |
CN111180027B (zh) * | 2019-12-26 | 2023-04-07 | 北京亚信数据有限公司 | 一种基于医疗大数据的患者画像相关性规则筛选方法及装置 |
CN111241581B (zh) * | 2020-01-09 | 2022-10-04 | 山东师范大学 | 基于敏感度分层的多敏感属性隐私保护方法及*** |
CN111243753B (zh) * | 2020-02-27 | 2024-04-02 | 西安交通大学 | 一种面向医疗数据的多因素相关***互式分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2345984B1 (en) * | 2010-01-19 | 2012-03-14 | Honda Research Institute Europe GmbH | Online learning of grounded categories using adaptive feature spaces |
CN104951894A (zh) * | 2015-06-25 | 2015-09-30 | 成都厚立信息技术有限公司 | 医院疾病管理智能分析和评估*** |
CN105046078A (zh) * | 2015-07-18 | 2015-11-11 | 深圳市前海安测信息技术有限公司 | 基于电子诊疗单的诊疗机构识别方法和网络医院平台 |
CN105118002A (zh) * | 2015-07-30 | 2015-12-02 | 芜湖卫健康物联网医疗科技有限公司 | 五步法分级诊断***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7724961B2 (en) * | 2006-09-08 | 2010-05-25 | Mitsubishi Electric Research Laboratories, Inc. | Method for classifying data using an analytic manifold |
-
2016
- 2016-04-06 CN CN201610209088.7A patent/CN105893766B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2345984B1 (en) * | 2010-01-19 | 2012-03-14 | Honda Research Institute Europe GmbH | Online learning of grounded categories using adaptive feature spaces |
CN104951894A (zh) * | 2015-06-25 | 2015-09-30 | 成都厚立信息技术有限公司 | 医院疾病管理智能分析和评估*** |
CN105046078A (zh) * | 2015-07-18 | 2015-11-11 | 深圳市前海安测信息技术有限公司 | 基于电子诊疗单的诊疗机构识别方法和网络医院平台 |
CN105118002A (zh) * | 2015-07-30 | 2015-12-02 | 芜湖卫健康物联网医疗科技有限公司 | 五步法分级诊断***及方法 |
Non-Patent Citations (1)
Title |
---|
"Gain Ratio as Attribute Selection Measure in Elegant Decision Tree to Predict Precipitation";Narasimha Prasad 等;《2013 8th EUROSIM Congress on Modelling and Simulation》;20150112;141-150 * |
Also Published As
Publication number | Publication date |
---|---|
CN105893766A (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105893766B (zh) | 基于数据挖掘的分级诊疗评估方法 | |
Dilla et al. | Systematic review of the economic aspects of nonadherence to antipsychotic medication in patients with schizophrenia | |
Quach et al. | A comparison between the APACHE II and Charlson Index Score for predicting hospital mortality in critically ill patients | |
Peltola et al. | A methodological approach for register-based evaluation of cost and outcomes in health care | |
CN106650256A (zh) | 一种分子诊疗精准医学平台 | |
Hughes et al. | Understanding (mis) classification trends of Latin Americans in Fordisc 3.1: Incorporating cranial morphology, microgeographic origin, and admixture proportions for interpretation | |
Cournane et al. | Social deprivation and hospital admission rates, length of stay and readmissions in emergency medical admissions | |
Pollard et al. | How physicians document outpatient visit notes in an electronic health record | |
Hoseini et al. | Access to dialysis services: a systematic mapping review based on geographical information systems | |
CN113362960B (zh) | 结合多源数据的城市居民公共健康影响因素可视分析***及方法 | |
Montaquila et al. | Statistical and practical issues in the design of a national probability sample of births for the Vanguard Study of the National Children's Study | |
Nichols et al. | Socioeconomic disadvantage is associated with a higher incidence of aneurysmal subarachnoid hemorrhage | |
CN114121295A (zh) | 一种知识图谱驱动的肝癌诊疗方案推荐***的构建方法 | |
Conway et al. | Deprivation index and dependency ratio are key determinants of emergency medical admission rates | |
Chen et al. | The causal effect of delivery volume on severe maternal morbidity: an instrumental variable analysis in Sichuan, China | |
AlSerkal et al. | Triage accuracy and its association with patient factors using emergency severity index: Findings from united arab emirates | |
Yasrebi-de Kom et al. | Electronic health record-based prediction models for in-hospital adverse drug event diagnosis or prognosis: a systematic review | |
Zhi et al. | Analysis of the cost and case-mix of post-acute stroke patients in China using quantile regression and the decision-tree models | |
Simkin et al. | Current state of geospatial methodologic approaches in Canadian population oncology research | |
Lee et al. | Epidemiology of demographic, clinical characteristics and hospital course of patients with spinal cord injury associated with vertebral fracture in a large private health care system in the United States | |
Conilione et al. | Novel machine learning model for predicting multiple unplanned hospitalisations | |
Soto | Falling behind: Evaluating projected sustainable development goals progress across varied income countries | |
Adechian | Governance, peace, and security perception index: Methodological aspects and application in the WAEMU member states | |
Paton et al. | Predictive validity of tools used to assess the risk of unplanned admissions: A rapid review of the evidence | |
Baumgartner et al. | A bioinformatics framework for genotype–phenotype correlation in humans with Marfan syndrome caused by FBN1 gene mutations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |