MARC

 008250123s2024        us                              c    eng  d
■001000017164849
■00520250211153055
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346389378
■035    ▼a(MiAaPQ)AAI31643381
■035    ▼a(MiAaPQ)Stanfordsz697sp0293
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a362.1
■1001  ▼aNguyen,  Minh  Chau  Thanh.
■24510▼aImproving  High-Stakes  Decision  Making  with  Statistical  and  Machine  Learning  Methods
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a114  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Baiocchi,  Mike;Chen,  Jonathan.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aOver  the  past  twenty  years,  emergency  department  (ED)  visits  have  increased  about  twice  as  fast  as  population  growth,  and  each  year,  roughly  two  million  ED  visits  resulted  in  Intensive  Care  Unit  (ICU)  admissions.  Everyday,  physicians  triage  patients  to  determine  their  acuity  levels,  the  levels  of  care  they  need  when  being  admitted  to  the  hospital.These  decisions  largely  depend  on  human  judgment  in  a  high-stakes  environment  with  poor  evidence,  limited  information,  and  intensive-time  pressures.  The  difficulty  of  triaging  coupled  with  inherent  biases  in  decision-making  highlights  the  need  and  opportunity  for  computer-aided  clinical  decision  support,  leveraging  electronic  health  records  (EHRs)  to  manage  difficult  triage  decisions  that  otherwise  place  undue  pressure  on  decision-makers  with  potentially  dire  consequences.The  goal  of  my  research  is  to  develop  a  framework  to  support  clinical  decision  making  in  high-stakes  environments  with  a  data-driven  approach  using  statistical  and  machine  learning  methods.  How  can  we  help  physicians  to  better  prioritize  patients  and  decide  initial  treatments  in  hospitals?First,  I  developed  machine  learning  models  for  initial  risk  assessments.  One  model  focuses  on  a  specific  issue  of  initial  insulin  dosing  for  patients  admitted  with  high  blood  glucose,  whether  a  patient  needs  low  or  higher  insulin  dose,  and  how  many  units,  to  guide  initial  interventions.  Another  model  predicts  general  patient's  risk  for  initial  ICU  admission.Second,  I  proposed  an  inductive  and  iterative  framework  for  improving  model  development  and  assessment,  named  thick  data  analytics.  Thick  data  analytics  utilizes  both  quantitative  and  qualitative  approach  where  experts  review  discordance  cases  from  related  prediction  models  (e.g.  a  patient  admission  with  risks  predicted  at  different  times  within  the  first  24  hours  of  admission).  The  goal  is  to  understand  the  discordance,  improve  prediction,  and  reduce  preventable  transfers  within  a  short  time  frame.  Thick  analytics  facilitates  model  redesign  to  be  more  trustworthy  in  aiding  triage.Lastly,  I  will  discuss  tie-breaker  designs  for  a  pragmatic  clinical  trial  where  patients  with  similar  risks  could  be  randomized  for  admission  to  ICUs  vs  non-ICUs.  We  aim  to  evaluate  the  effectiveness  of  interventions  such  as  ICU  admission  on  patient's  health  outcomes  such  as  mortality  and  length  of  stay.  When  allowing  overriding  in  such  experiments,  randomization  is  an  encouragement,  which  is  a  form  of  instrumental  variables.  Our  work  will  help  understand  medical  decision  biases  to  improve  triage  process  for  better  patient  outcomes.
■590    ▼aSchool  code:  0212.
■650  4▼aHealth  care  access
■650  4▼aPatients
■650  4▼aEmergency  medical  care
■650  4▼aElectronic  health  records
■650  4▼aSuccess
■650  4▼aClinical  decision  making
■650  4▼aDesign
■650  4▼aInsulin
■650  4▼aIntensive  care
■650  4▼aHospitalization
■650  4▼aClinical  outcomes
■650  4▼aDrug  dosages
■650  4▼aHealth  sciences
■650  4▼aInformation  science
■650  4▼aPharmaceutical  sciences
■690    ▼a0389
■690    ▼a0800
■690    ▼a0769
■690    ▼a0566
■690    ▼a0723
■690    ▼a0572
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164849▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서