异构医疗数据分诊模型

分诊效率显著提升

融合人口学特征、生命体征和主诉文本，以并行特征提取与注意力机制预测病情危重度和临床科室，大幅降低误诊/漏诊率。

Yi, Xiao · Zhang J. · Chi, Cheng · Ma, Yuxing · 宋爱国

Computers in Biology and Medicine 2023

参数信息

TextRNN模型在161,198例急诊就诊中，对临床科室预测成功率高达94.30%，对病情危重度预测成功率为86.23%。

与人工分诊相比，模型将漏诊率降低了12.06%，将误诊率降低了17.92%，使危重患者得到更及时的救治。

TransNet模型对病情危重度的敏感度达84.08%，对临床科室的敏感度达90.05%，能更有效地识别需要紧急处置的患者。