ప్రాథమిక సంరక్షణలో నాణ్యత అందరికి ప్రవేశం

నైరూప్య

తృతీయ ఆరోగ్య సంరక్షణ ప్రదాత, రియాద్, సౌదీ అరేబియా యొక్క ఫ్యామిలీ మెడిసిన్ క్లినిక్‌లో డయాబెటిక్ పేషెంట్స్ యొక్క మెషిన్ లెర్నింగ్ ప్రిడిక్షన్ ఫాలో-అప్ ప్యాటర్న్స్

అలీడ్ M, అల్ఫాంటౌఖ్ L, అల్హుకైల్ N, అబోమెల్హా F మరియు రేయెస్ Z

నేపథ్యం:  రాబోయే 20 ఏళ్లలో మధుమేహం ప్రాబల్యం గణనీయంగా పెరుగుతుందని అంచనా వేయబడింది మరియు అనుబంధ వ్యయం మూడు రెట్లు పెరుగుతుందని అంచనా వేయబడింది. రోగి జనాభా డేటాకు అపాయింట్‌మెంట్ డేటా మరియు ఇంటర్నేషనల్ క్లాసిఫికేషన్ ఆఫ్ డిసీజెస్ (ICD) కోడ్‌లను జోడించడం వలన మెషిన్ లెర్నింగ్ మోడల్‌లను ఉపయోగించి ఫాలో-అప్ అపాయింట్‌మెంట్ అటెండెన్స్ అంచనాలు మెరుగుపడతాయని మేము ఊహిస్తున్నాము. మా ఫలితాలు యాదృచ్ఛిక అటవీ వర్గీకరణ అత్యంత ఖచ్చితమైన మరియు సున్నితమైనవి, వరుసగా 73% మరియు 77%కి చేరుకున్నాయి.

పద్ధతులు:  ఈ అధ్యయనం జనవరి 1, 2014 మరియు డిసెంబర్ 31 మధ్య ఫ్యామిలీ మెడిసిన్ క్లినిక్‌లో ఫాలో-అప్ అపాయింట్‌మెంట్ పొందిన డయాబెటిస్ మెల్లిటస్ టైప్ I లేదా IIతో బాధపడుతున్న కింగ్ ఫైసల్ స్పెషలిస్ట్ హాస్పిటల్ & రీసెర్చ్ సెంటర్ రోగుల యొక్క పునరాలోచనలో సేకరించిన రోగి యొక్క రికార్డుల ఆధారంగా రూపొందించబడింది. 2018. మేము లాజిస్టిక్ రిగ్రెషన్, డెసిషన్ ట్రీ, యాదృచ్ఛిక అటవీ, k- సమీప పొరుగువారితో సహా అనేక మెషిన్ లెర్నింగ్ మోడల్‌లను రూపొందించాము  (KNN), మరియు సపోర్ట్ వెక్టార్ మెషిన్ (SVM) మోడల్స్. మేము డీప్ న్యూరల్ నెట్‌వర్క్ (DNN) అనే డీప్ లెర్నింగ్ అల్గారిథమ్‌ని కూడా అమలు చేసాము.

ఫలితాలు:  అధ్యయనంలో మొత్తం 2,403 మంది రోగులు పాల్గొన్నారు; ఒకే అపాయింట్‌మెంట్ ఉన్నందున 3 మంది మినహాయించబడ్డారు. మిగిలిన 2,400 మందిలో 50% మంది మహిళలు, 32% మంది ఆసుపత్రి ఉద్యోగులు మరియు 82% మంది వివాహితులు. పాల్గొనేవారిలో దాదాపు 25% మంది సౌదీయేతరులు ప్రాతినిధ్యం వహిస్తున్నారు. మొత్తం 19,218 నియామకాలు విశ్లేషించబడ్డాయి, వాటిలో 44.33% "నో-షో"గా వర్గీకరించబడ్డాయి. మేము జనాభా డేటాకు అపాయింట్‌మెంట్ డేటా మరియు ICD కోడ్‌లను వరుసగా జోడించినప్పుడు అంచనా ఖచ్చితత్వం సగటున 7% మరియు 10% పెరిగింది.

తీర్మానాలు:  రోగికి సంబంధించిన అపాయింట్‌మెంట్-సంబంధిత డేటా మరియు ICD కోడ్‌లతో పాటు వారి జనాభా డేటాను తెలుసుకోవడం ఫాలో-అప్ స్థితిని అంచనా వేయడంలో ఉపయోగకరంగా ఉంటుందని మా ఫలితాలు సూచిస్తున్నాయి.