Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Predicting Patient Length Of Stay at Time of Admission Using Machine Learning
KTH, School of Engineering Sciences in Chemistry, Biotechnology and Health (CBH).
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Prediktion av patienters hospitaliseringstid vid inskrivningstillfället med hjälp av maskininlärning (Swedish)
Abstract [en]

This master thesis investigates the possibility of using machine learning methods to predict patient length of stay at the time of admission to a clinical ward from the emergency department. The main aim of this thesis is to provide a comparative analysis of different algorithms and to suggest a suitable model that can be used in a hospital prediction software. The results show that it is possible to achieve a balanced accuracy of 0.72 at the time of admission and of 0.75 at a later stage in the process. The suggested algorithm was Random Forest which combines good accuracy with effective training time, making it suitable for on-line use in a hospital. The study shows that there is a clear potential for the use of machine learning methods for predicting length of stay, but that further improvements have to be made before adaption into the healthcare.

Abstract [sv]

Detta masterexamensarbete utforskar möjligheten att använda maskin-inlärning för att förutspå vårdtiden för en patient då denne skrivs in på en vårdavdelning från akutvårds-avdelningen vid ett sjukhus. Huvudmålet för arbetet är att tillhandahålla en jämförelse av olika maskininlärnings-algoritmer  och föreslå en algoritm som är lämplig att integrera i en mjukvara på sjukhuset. Resultaten visar att det är möjligt att nå en balanced accuracy på 0.72 vid inskrivningstillfället samt 0.75 vid en senare tidpunkt i vårdprocessen. Den föreslagna algoritmen var Random Forest som kombinerade bra prestanda med effektiv träningstid, något som gör den lämplig för att köras på sjukhuset. Projektet visar att det finns en tydlig potential för att använda maskininlärning för att prediktera vårdtid men att förbättringar krävs innan det kan nå hela vägen in i sjukhuset.

Place, publisher, year, edition, pages
2019. , p. 38
Series
TRITA-CBH-GRU ; 2019:081
National Category
Medical Engineering
Identifiers
URN: urn:nbn:se:kth:diva-255150OAI: oai:DiVA.org:kth-255150DiVA, id: diva2:1338294
External cooperation
Cambio Healthcare Systems
Subject / course
Medical Engineering
Educational program
Master of Science in Engineering - Medical Engineering
Supervisors
Examiners
Available from: 2019-07-29 Created: 2019-07-22 Last updated: 2019-07-29Bibliographically approved

Open Access in DiVA

Final_thesis_Olle(1168 kB)48 downloads
File information
File name FULLTEXT01.pdfFile size 1168 kBChecksum SHA-512
2a89d5a035282ee70d313c8e4a34a45aa1407c6bf0d773cf554543064111be7e221021107edecfe3ed4315d9d72b6028032373afffd06e636fd0f09af6d613ae
Type fulltextMimetype application/pdf

By organisation
School of Engineering Sciences in Chemistry, Biotechnology and Health (CBH)
Medical Engineering

Search outside of DiVA

GoogleGoogle Scholar
Total: 48 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 341 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf