摘要
本发明提供了一种当次检查后入院的预测分类模型，该模型基于电子健康记录数据，包括人口统计信息、诊断记录、实验室检测、输入/输出事件多源异构信息，经过缺失值处理、特征筛选、标准化与编码预处理步骤后，构建结构化特征矩阵。采用逻辑回归、随机森林、XGBoost、LightGBM、LSTM及Transformer多种机器学习与深度学习算法进行训练，并通过SMOTE解决类别不平衡问题，提升模型对高风险样本的识别能力。最终选择性能最优模型部署至医院信息系统，实现再入院风险的实时预测与预警。本发明具有预测精度高，可有效辅助医生制定出院管理计划，优化医疗资源配置，降低非计划性再入院率。
