westZurück
close
eastDas Institut Übersicht
eastForschung Übersicht
eastLehre Übersicht
eastVeranstaltungen Übersicht

Anwendung von Positive and Unlabeled Learning Algorithmen auf Spitalabrechnungsdaten

  1. home
  2. more_horiz
  3. Forschung
    Das InstitutForschungLehreVeranstaltungen
  4. Health Economics, Policy and Management
    Health Economics, Policy and ManagementDigital Health InterventionsMedical Knowledge and Decision SupportMedical Humanities
  5. Projekte
    AktivitätenForschungsgruppenProjektePublikationenAbschlussarbeiten
  6. Anwendung von Positive and Unlabeled Learning Algorithmen auf Spitalabrechnungsdaten
    PROMoting QualityDaVinci - Effektivität der robotergestützten Chirurgie bei radikalen ProstatektomienDeriving optimal policies for selecting knee replacement patients for rapid recovery post-surgery using causal forest and policy treeEstimation of adjusted minimal important differences for hip and knee replacement patientsOptimizing physician visits for knee replacement patients via assignment policies - a machine learning approachHealth economic evaluation of rapid recovery post-surgery for knee replacement patientsEntwicklung von Strategien zum Management von Engpässen in Krankenhausprozessen - Lösungsfindung durch maschinelles LernenOptimizing Clinical Practice Guideline Adherence in Primary CareDer Zusammenhang zwischen Spitaldigitalisierung, -profitabilität und -qualitätSwissPAH: Potenziell vermeidbare Hospitalisierungen von chronischen Kranken - Vergangene und zukünftige Entwicklung in der SchweizAnwendung von Positive and Unlabeled Learning Algorithmen auf SpitalabrechnungsdatenQualitätsüberwachungssysteme und Dashboards im Schweizer Gesundheitssystem: Entwicklung einer Wissensgrundlage und Stakeholder-DialogeGKV-SV

Finden von nicht-codierten Sepsisfällen zur Steigerung der Qualität von Spitalabrechnungsdaten für die gesundheitsökonomische Forschung und Versorgungsforschung

Projektbeschreibung

Bei Positive and Unlabeled (PU) data learning problems wird angenommen, dass es zwar positive Beispiele in einem Datensatz gibt, die negativen Beispiele jedoch nicht alle negativ sind, sondern eine Mischung aus positiven und negativen Beispielen darstellen.

Der aktuelle Stand der Forschung zur Kodierung von Sepsis deutet darauf hin, dass Spitalabrechnungsdaten zumindest teilweise als PU-Daten eingestuft werden können. Dies stellt eine große Herausforderung für die Gesundheitsökonomie und die Versorgungsforschung dar, da Spitalaufenthalte für bestimmte Krankheiten, stationäre Komplikationen und andere Indikatoren (z. B. robotergestützte Chirurgie) unterschätzt werden könnten.

In diesem Projekt wenden wir PU-Lernalgorithmen auf Spitalabrechnungsdaten an, um positive Beispiele unter den unlabeled examples zu finden. Unsere Ergebnisse werden zeigen, ob bestehende Lernalgorithmen genutzt werden können, um die Qualität von Spitalabrechnungsdaten zu verbessern.

 

Projektverantwortliche

Dr. Justus Vogel, Johannes Cordier

 

Finanzierungsquelle

----

 

Dauer

12 Monate (01.01.2024-31.12.2024)

north