జర్నల్ ఆఫ్ థియరిటికల్ & కంప్యూటేషనల్ సైన్స్
అందరికి ప్రవేశం

నైరూప్య

ఆడమ్: హెల్త్‌కేర్ కాంటెక్స్ట్‌లో డేటా మైనింగ్ అప్లికేషన్

డంకన్ వాలెస్

"బిగ్ డేటా" యుగంలో, పెద్ద-స్థాయి మెషీన్ లెర్నింగ్ (ML) ద్వారా గణన పరిష్కారాలు గతంలో పరిష్కరించడం చాలా కష్టంగా ఉండే సమస్యలకు ఆశ్రయమిచ్చాయి. ఇటీవలి సంవత్సరాలలో, ML విధానాలు వ్యాధి నిర్ధారణ సందర్భంలో రోగి లక్షణాల డేటా యొక్క విశ్లేషణకు విజయవంతంగా వర్తించబడ్డాయి, కనీసం అటువంటి డేటా బాగా క్రోడీకరించబడిన చోట. అయినప్పటికీ, ఎలక్ట్రానిక్ హెల్త్ రికార్డ్స్ (EHR)లో ఉన్న చాలా డేటా క్లాసిక్ ML విధానాలకు అనుకూలంగా ఉండే అవకాశం లేదు. ఇంకా, ఆసుపత్రులు మరియు వ్యక్తులు రెండింటిలోనూ డేటా స్కోర్‌లు విస్తృతంగా వ్యాపించి ఉన్నందున, వికేంద్రీకృత, గణనపరంగా కొలవగల పద్దతికి ప్రాధాన్యత ఇవ్వబడుతుంది. మా పరిశోధన తరచుగా ఉపయోగించే రోగుల యొక్క చిన్న ఉపవిభాగాన్ని ముందస్తుగా గుర్తించడంపై ఆధారపడింది. వీరు అంతర్లీన పరిస్థితులను కలిగి ఉన్న రోగులు, దీని వలన వారికి పదేపదే వైద్య సహాయం అవసరమవుతుంది. OOHC టెలిమెడిసిన్ మరియు చికిత్స యొక్క తాత్కాలిక డెలివరీగా పనిచేస్తుంది, ఇక్కడ రోగి యొక్క పూర్తి వైద్య చరిత్రను ఉపయోగించకుండా పరస్పర చర్యలు జరుగుతాయి. OOHCని సంప్రదించే రోగులకు సంబంధించిన వైద్య చరిత్రలు, అనేక ఆసుపత్రులు లేదా శస్త్రచికిత్సలలో అనేక విభిన్న EHR సిస్టమ్‌లలో ఉండవచ్చు, అవి OOHCకి అందుబాటులో లేవు. అందుకని, ఈ సమస్యకు స్థానిక పరిష్కారం ఉత్తమమైన ఎంపిక అయినప్పటికీ, దర్యాప్తులో ఉన్న డేటా అసంపూర్ణమైనది, వైవిధ్యమైనది మరియు సాధారణ OOHC కార్యకలాపాల సమయంలో సంకలనం చేయబడిన చాలా ఎక్కువ శబ్దంతో కూడిన వచన గమనికలను కలిగి ఉంటుంది. మెషిన్ లెర్నింగ్ మెథడాలజీల శ్రేణి ద్వారా, ఈ పరిశోధన యొక్క లక్ష్యం రోగి కేసులను, ప్రారంభ పరిచయంపై, అటువంటి అవుట్‌లెయిర్‌లకు సంబంధించినవిగా గుర్తించే మార్గాలను అందించడం. ప్రత్యేకించి, ఈ కేసుల వర్గీకరణ వ్యవస్థ అభివృద్ధిలో లోతైన అభ్యాస విధానాలు అవలంబించబడ్డాయి. సానుకూల మరియు ప్రతికూల కేసు నమోదుల యొక్క బలమైన సూచనను అందించే ఖచ్చితమైన నిబంధనలను పరిశీలించడం ద్వారా తరచుగా వినియోగదారు కేసుల ఆవిష్కరణను వివరించడం ఈ పరిశోధన యొక్క తదుపరి లక్ష్యం.