دانلود مقاله انگلیسی رایگان:پیش بینی قبل از عمل از معیارهای ارزش و یک مدل پرداخت خاص برای بیمار برای آرتروپلاستی کامل باسن اولیه: توسعه و اعتبارسنجی یک مدل یادگیری عمیق - 2019
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی یادگیری عمیق رایگان
  • Preoperative Prediction of Value Metrics and a Patient-Specific Payment Model for Primary Total Hip Arthroplasty: Development and Validation of a Deep Learning Model Preoperative Prediction of Value Metrics and a Patient-Specific Payment Model for Primary Total Hip Arthroplasty: Development and Validation of a Deep Learning Model
    Preoperative Prediction of Value Metrics and a Patient-Specific Payment Model for Primary Total Hip Arthroplasty: Development and Validation of a Deep Learning Model

    سال انتشار:

    2019


    عنوان انگلیسی مقاله:

    Preoperative Prediction of Value Metrics and a Patient-Specific Payment Model for Primary Total Hip Arthroplasty: Development and Validation of a Deep Learning Model


    ترجمه فارسی عنوان مقاله:

    پیش بینی قبل از عمل از معیارهای ارزش و یک مدل پرداخت خاص برای بیمار برای آرتروپلاستی کامل باسن اولیه: توسعه و اعتبارسنجی یک مدل یادگیری عمیق


    منبع:

    Sciencedirect - Elsevier - The Journal of Arthroplasty, 34 (2019) 2228-2235: doi:10:1016/j:arth:2019:04:055


    نویسنده:

    Prem N. Ramkumar, MD, MBA a, *, Jaret M. Karnuta a, Sergio M. Navarro b, Heather S. Haeberle c, Richard Iorio, MD d, Michael A. Mont, MD e, Brendan M. Patterson, MD, MBA a, Viktor E. Krebs, MD


    چکیده انگلیسی:

    Background: The primary objective was to develop and test an artificial neural network (ANN) that learns and predicts length of stay (LOS), inpatient charges, and discharge disposition for total hip arthroplasty. The secondary objective was to create a patient-specific payment model (PSPM) accounting for patient complexity. Methods: Using 15 preoperative variables from 78,335 primary total hip arthroplasty cases for osteoarthritis from the National Inpatient Sample and our institutional database, an ANN was developed to predict LOS, charges, and disposition. Validity metrics included accuracy and area under the curve of the receiver operating characteristic curve. Predictive uncertainty was stratified by All Patient Refined comorbidity cohort to establish the PSPM. Results: The dynamic model demonstrated “learning” in the first 30 training rounds with areas under the curve of 82.0%, 83.4%, and 79.4% for LOS, charges, and disposition, respectively. The proposed PSPM established a risk increase of 2.5%, 8.9%, and 17.3% for moderate, major, and severe comorbidities, respectively. Conclusion: The deep learning ANN demonstrated “learning” with good reliability, responsiveness, and validity in its prediction of value-centered outcomes. This model can be applied to implement a PSPM for tiered payments based on the complexity of the case.
    Keywords: deep learning | artificial intelligence | total hip | payment model | prediction


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 8
    حجم فایل: 795 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی