Resumen

Este estudio tuvo como objetivo predecir el patrón de la demanda de servicios de atención médica para el accidente cerebrovascular hemorrágico basado en la calidad del aire y el aprendizaje automático. El ictus hemorrágico, la calidad del aire y los datos meteorológicos de 2016-2017 se obtuvieron del distrito de Longquanyi de China, y el estudio incluyó 1932 casos. Se utilizaron seis métodos de aprendizaje automático para pronosticar la demanda de servicios de atención médica por accidente cerebrovascular hemorrágico teniendo en cuenta la estacionalidad y un efecto de retraso, y el área promedio bajo la curva fue tan alta como 0,7971. Nuestros resultados indican que (1) el rendimiento de la previsión durante la estación cálida es significativamente mejor que en la estación fría, (2) la consideración de la contaminación atmosférica mejoraría el rendimiento de la previsión de la demanda de servicios sanitarios de ictus hemorrágico mediante aprendizaje automático, (3) la asociación entre la demanda de servicios sanitarios de ictus hemorrágico y los contaminantes atmosféricos es lineal hasta cierto punto, y (4) es factible utilizar concentraciones a corto plazo de contaminantes atmosféricos para prever la demanda de servicios sanitarios de ictus hemorrágico. Este práctico modelo de previsión podría avisar con antelación del posible aumento del número de ingresos por ictus hemorrágico en las instituciones médicas, lo que daría tiempo a aplicar una respuesta adecuada al incremento del volumen de pacientes.

• Materias:Análisis de espectro Organización modular Diagnóstico automatizado Monitoreo Servicios de salud
• Subjects:Spectrum analysis Modular organization Automated diagnostics Monitoring Health services
• Palabras claves:servicios sanitarios de ictus hemorrágico, demanda, contaminantes atmosféricos, calidad del aire, aprendizaje automático, ingresos por ictus hemorrágico, métodos de aprendizaje automático, modelo práctico de previsión, rendimiento, estudio
• Keywords:hemorrhagic stroke healthcare services, demand, air pollutants, air quality, machine learning, hemorrhagic stroke admissions, machine learning methods, practical forecast model, performance, study