Hallo.
Ich bin Renita Washburn, A Doktortitel Student bei Die Universität von Zentral Florida
In Die Modellierung und Simulation Programm.
Heute, ICH' ll Sei präsentieren…
Verzeihung.
ICH wissen Wir haben Zu Tun Es In eins Sitzung.
DR. Amon, Wirklich schnell, Tun Du wollen Mich Zu sagen Mine
Und Dann Du sagen dein Und Dann ICH Tun Die Titel?
Sie könnten neu starten.
Du könnte Neustart Wenn du würdest wie Zu.
Wir haben bekommen Zeit.
Verzeihung.
Du dürfen Nur einführen Mich zu… oder was auch immer funktioniert für Du.
ICH dürfen gehen voraus-
Krank Nur stoppen Das Ich bin In Die Programm
Und Dann Du dürfen einführen du selbst Und Dann Krank halten gehen.
Okay, Geräusche Gut.
Nach ICH sagen In Die Schule Modellieren, Simulation & Ausbildung bei UCF
Dann Du dürfen wählen Es hoch, Okay?
Okay.
Von Die Weg, Das Wille Sei, wie ICH genannt, Post Verfahren,
So Wir dürfen alle bearbeiten alle von Das Sachen aus.
Okay, Geräusche Gut.
Okay, Ich bin gehen Zu gehen An stumm nochmal, Und einmal ICH Tun, es ist alle Du.
Hallo.
Ich bin Renita Washburn, A Doktortitel Student In Die Modellierung und Simulation Programm
bei Die Universität von Zentral Florida.
Und Ich bin DR. Maria Jean Amon.
Ich bin ein Assistent Professor bei Die Universität von Zentral Florida
In Die Schule von Modellieren, Simulation, & Ausbildung.
Heute, Wir Wille co- gegenwärtig unser Poster An identifizieren Muster
geduldig Erfahrung Bewertungen
mit Maschine Lernen Clusterbildung Techniken.
In Das Poster Sitzung, Also zusammenfassen Die Ziele,
Methode, Und Ergebnisse aus Die Erkundung von diese Muster
In geduldig Erfahrung Bewertungen.
Geduldig Erfahrung Bewertungen war erhalten
aus Die 2019 Verbraucher Bewertung von Gesundheitspflege Anbieter Und Systeme,
aus Hier verwiesen Zu als CAHPS, Antwort Daten,
Und Grenze Es Zu Patienten gesehen von primär Pflege Anbieter.
Wir verwenden JMPs Maschine Lernen Clusterbildung Und Daten Vorbereitung Werkzeug
Zu identifizieren vier geduldig Gruppen basierend An ihre Umfrage Antworten.
Cluster Analyse Ist A Maschine Lernen Technik
gebraucht In viele Branchen für Kunde Segmentierung.
Der Ziel Ist Platzierung Kunden hinein Gruppen
basierend An Ähnlichkeiten innerhalb Die Gruppe Und Unterschiede zwischen Die Gruppen.
In Gesundheitspflege, Erkundung von Kunde Segmente
bietet Einsichten An möglich Unterschiede In Pflege Reisen Und Erfahrungen,
solch als Ungleichheiten zwischen Wettrennen, Geschlecht, Kultur, oder Gesundheit Status.
Identifikation von unterscheidbar Gruppen
dürfen informieren Die Design von maßgeschneidert Pflege Lieferung Modelle.
Der Projekte drei Ziele war Zu, Erste,
Benehmen A hierarchisch Cluster Analyse An kategorisch Umfrage Antwort Daten;
zweite, identifizieren Cluster durch visuell Inspektion von Dendrogramm
Und Farbe Karte Partitionen basierend An ihre Reisen,
welche War gemessen von Umfrage Fragen
verwandt Zu Verknüpfung Die Beziehung mit Die Anbieter,
Nutzung von Dienstleistungen, Und eben von Pflege Management;
Und zuletzt,
Benehmen Pos T-hoc Analysen Zu erkunden Unterschiede unter Cluster
In ihre Bewertungen des Anbieter,
ihre gesamt Gesundheit, Und gesamt geistig Gesundheit.
Vor Wir tauchen hinein Einzelheiten von Die Methoden Und Ergebnisse,
heiraten wie Zu anerkennen Die UNS Agentur für Gesundheitspflege Forschung Und Qualität
und Westat
für bereitstellen Die identifiziert C AHPS-Daten für Das Bemühung.
Der CAHPS Daten Ist gebraucht Zu gewinnen Einblick hinein Die Gesundheitspflege Erfahrung
aus Die des Patienten Perspektive.
Der 12 ausgewählt Fragen Sind vorgesehen Zu ergreifen A des Patienten Reise
Und Interaktion mit dein primär Pflege Anbieter
über Die zuletzt sechs Monate.
Der Fragen nochmal Fokus An Länge von Beziehung mit Die Arzt,
Wie Die geduldig interagiert mit Die Arzt Büro
für Routine Und dringend Pflege Bedürfnisse,
Und Die eben von Pflege Koordinierung für untergeordnet Dienstleistungen angefordert.
Frühere Zu initiieren JMPs Clusterbildung Werkzeug, Daten Vorbereitung,
einschließlich zuordnen Die geeignet Daten Modellieren Typ
für Die Umfrage Fragen.
Der Daten Modellieren Typ War entweder nominal, Ja- NEIN oder nicht zutreffend,
oder Null, A [unverständlich 00:03:43] Skala.
Andere Daten Vorbereitung Aufgabe War Neuformatierung von wählen Fragen.
Der CAHPS Umfrage verwenden Das Skalenlogik.
Für Beispiel, eins Frage fragte In Die zuletzt sechs Monate,
tat Du machen beliebig Termine
für A Untersuchung oder Routine Pflege mit Das Anbieter?
Wenn NEIN, überspringen als nächstes Frage.
Es War bestimmt Das Die überspringen Fragen war relevant Zu Die explorativ Analyse.
Deshalb, Werte Sind verzeichnet aus fehlen Zu null,
welche JMP verweist Zu fehlen nicht bei willkürlich.
Der zuletzt Schritt von Vorbereitungen Das Wir Markieren
Ist verwandt Zu Die fehlen Werte.
Stattdessen von Adressierung Das frühere Zu Modellieren,
Wir verwenden JMPs eingebaut fehlen Wert Besonderheit Zu unterstellen,
Zu ersetzen mit Schätzungen diese fehlen Werte.
Das Ist ein Möglichkeit ausgewählt aus Die Clusterbildung Speisekarte.
Gegeben Die Likert Skala Fragen,
Wir Hypothese Das Die Daten War hierarchisch
mit wahrscheinlich Untergruppen zwischen Die Daten.
Hierarchisch Clusterbildung mit Die Station Distanz Methode War angewandt,
Und Die Ausgang War begrenzt Zu vier Cluster
für Leichtigkeit von Deutung.
Der Station Methode War geeignet für Die kategorisch Daten
als Es tat nicht erfordern rein messen von Distanz.
Stattdessen, Es baut Cluster basierend An ein Analyse von Varianten wie In Innovation.
A Farbe Karte War hinzugefügt Zu Die Dendrogramm Ausgang
Zu Hilfe visuell Vergleich An Antwort Unterschiede über Die Gruppen.
Einzigartig Muster innerhalb Und Unterschiede zwischen Cluster
war zusammengefasst basierend An niedrig, Mittel, oder hoch Wartung.
Bedeutung Wie viel Zugang Zu Pflege War gebraucht von Die geduldig
solch als Frequenz von Routine Und dringend Büro Besuche
oder kontaktieren Die Büro während oder außen von regulär Std,
als Also als Wie Also Patienten glauben Die Büro War Verwaltung ihre Pflege,
welche War schwach, höher, ausreichend,
definiert von Bewertungen Und folgen- hoch für Labor Und Verschreibung Bedürfnisse.
Der Cluster Ausgang War Gerettet Und zugewiesen Zu jede Antwort für Die Anzeige hoc Analyse.
Jetzt, Die primär Fokus von Die Projekt War vergleichen Cluster
An drei Taste Bewertungen verwandt Zu Die Anbieter,
ihre gesamt Gesundheit, Und gesamt mental Gesundheit.
Jedoch, mit JMP, Du dürfen verwenden Die Cluster Zuordnungen
Zu erkunden Die Verteilung von demographisch Daten
als Also als andere Frage Antworten zwischen Die Gruppen.
Für Zukunft Analyse, Wir empfehlen erkunden Unterschiede In Alter
oder Wettrennen Verteilungen
zwischen Die Wartung Management- basierend Cluster.
Wir war interessiert In Verständnis
Wenn Dort Ist A Beziehung zwischen Die Cluster Abtretung
Und Die des Patienten Bewertungen von Die Anbieter, ihre gesamt Gesundheit, Und mental Gesundheit.
Visuell Inspektion von Die bedeuten Partituren für jede von diese drei Variablen
empfohlen Das Dort dürfen Sei bedeutsam Unterschiede basierend An Cluster.
Für Beispiel, hoch Gesundheit Wartung Patienten
WHO nutzen mehr Gesundheitspflege Dienstleistungen Aber Auch haben zufriedenstellend Bewertungen für Labor
Und Verschreibung Management
Auch erscheinen Zu haben höher Bewertungen von gesamt Gesundheit Und mental Gesundheit.
Wenn Wir gehen Zu Die nächste gleiten,
diese Beobachtungen war weiter untersucht verwenden JMPs Kontingenz Analyse,
welche Ist A Methode für untersuchen Die Beziehung
zwischen zwei kategorisch Variablen.
Wir identifizieren statistisch gesehen bedeutsam Unterschiede
In Anbieter, gesamt Gesundheit, Und geistig Gesundheit Bewertungen
basierend An Die geduldig Cluster,
welche weiter Highlights Die Dienstprogramm von unser Clusterbildung Ansatz
In identifizieren sinnvoll geduldig Gruppen.
Gesamt, Verständnis Die Beziehung zwischen jede Gruppen Pflege Reise
Und gesamt Erfahrung Und Gesundheit Bewertungen
dürfen informieren Die Design von Gesundheit Pflege Praktiken Methoden Ausübungen
solch als erweitert Kommunikation Kanäle während nicht- regulär Büro Std.
oder Pflege Navigation Dienstleistungen
Zu Hilfe mit folgen- hoch von Labor Und Verschreibung Management.
Dank Du für ansehen heute Sitzung.
Wir Willkommen dein Fragen Und Kommentare.
