Hallo.
Ich bin Renita Washburn, a Doktorat Student bei Die Universität von Zentral Florida
In Die Modellierung und Simulation Programm.
Heute, ICH' ll Sei präsentiert…
Entschuldigung.
I wissen Wir haben Zu Tun Es In eins Sitzung.
Dr. Amon, Wirklich schnell, Tun Du wollen Mich Zu sagen meins
Und Dann Du sagen dein Und Dann I Tun Die Titel?
Sie könnten neu starten.
Du könnte Neustart Wenn du würdest wie Zu.
Wir haben bekommen Zeit.
Entschuldigung.
Du dürfen Nur einführen Mich zu… oder was auch immer Werke für Du.
I dürfen gehen voraus-
Krank Nur stoppen Das Ich bin In Die Programm
Und Dann Du dürfen einführen selbst Und Dann Krank halten Ich gehe.
Okay, Geräusche Gut.
Nach I sagen In Die Schule Modellieren, Simulation & Ausbildung bei UCF
Dann Du dürfen wählen Es hoch, Okay?
Okay.
Von Die Weg, Das Wille Sei, wie I sagte, Post Verfahren,
Also Wir dürfen alle bearbeiten alle von Das Sachen aus.
Okay, Geräusche Gut.
Okay, Ich bin gehen Zu gehen An stumm wieder, Und einmal I Tun, es ist alle Du.
Hallo.
Ich bin Renita Washburn, a Doktorat 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 Identifizierung Muster
im Patienten Erfahrung Bewertungen
mit Maschine Lernen Clustering Techniken.
In Das Poster Sitzung, Also zusammenfassen Die Ziele
Verfahren, Und Ergebnisse aus Die Erforschung von diese Muster
In geduldig Erfahrung Bewertungen.
Geduldig Erfahrung Bewertungen war erhalten
aus Die 2019 Verbraucher Bewertung von Gesundheitspflege Anbieter Und Systeme,
aus Hier Bezug genommen Zu als CAHPS, Antwort Daten,
Und Limit Es Zu Patienten gesehen von primär Pflege Anbieter.
Wir verwenden JMPs Maschine Lernen Clustering Und Daten Vorbereitung Werkzeuge
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 Platz Kunden hinein Gruppen
basierend An Ähnlichkeiten innerhalb Die Gruppe Und Unterschiede zwischen Die Gruppen.
In Gesundheitspflege, Erforschung von Kunde Segmente
bietet Einblicke 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 Projekt 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 Link Die Beziehung mit Die Anbieter
Verwendung von Dienstleistungen, Und Ebene von Pflege Management;
Und schließlich,
Benehmen pos das Analysen Zu erkunden Unterschiede unter Cluster
In ihre Bewertungen der Anbieter
ihre gesamt Gesundheit, Und gesamt mental Gesundheit.
Vor Wir tauchen hinein Details von Die Methoden Und Ergebnisse
heiraten wie Zu anerkennen Die UNS Agentur für Gesundheitspflege Forschung Und Qualität
und Westat
für Bereitstellung Die identifiziert C AHPS-Daten für Das Bemühung.
Der CAHPS Daten Ist gebraucht Zu gewinnen Einblick hinein Die Gesundheitspflege Erfahrung
aus Die Patienten Perspektive.
Der 12 ausgewählt Fragen Sind beabsichtigt Zu erfassen a Patienten Reise
Und Interaktion mit dein primär Pflege Anbieter
über Die zuletzt sechs Monate.
Der Fragen wieder Fokus An Länge von Beziehung mit Die Arzt,
Wie Die geduldig interagiert mit Die Arzt Büro
für Routine Und dringend Pflege Bedürfnisse
Und Die Ebene von Pflege Koordinierung für untergeordnet Dienstleistungen angefordert.
Vor Zu Einleitung JMPs Clustering Werkzeug, Daten Vorbereitung,
einschließlich Zuweisung Die geeignet Daten Modellieren Typ
für Die Umfrage Fragen.
Der Daten Modellieren Typ War entweder nominal, Ja- NEIN oder nicht anwendbar,
oder null, a [unverständlich 00:03:43] Skala.
Ein anderer Daten Vorbereitung Aufgabe War Neuformatierung von wählen Fragen.
Der CAHPS Umfrage verwenden Das Skalierungslogik.
Für Beispiel, eins Frage gefragt In Die zuletzt sechs Monate
tat Du machen beliebig Termine
für a Untersuchung oder Routine Pflege mit Das Anbieter?
Wenn NEIN, überspringen zum nächsten Frage.
Es War bestimmt Das Die überspringen Fragen war relevant Zu Die explorativ Analyse.
Daher, Werte Sind aufgezeichnet aus fehlen Zu null,
welche JMP bezieht sich Zu fehlen nicht bei zufällig.
Der zuletzt Schritt von Präparate Das Wir Highlight
Ist verwandt Zu Die fehlen Werte.
Stattdessen von Adressierung Das vor Zu Modellieren,
Wir verwenden JMPs eingebaut fehlen Wert Besonderheit Zu zurechnen,
Zu ersetzen mit Schätzungen diese fehlen Werte.
Das Ist ein Option ausgewählt aus Die Clustering Speisekarte.
Gegeben Die Gefällt mir Skala Fragen,
Wir Hypothese Das Die Daten War hierarchisch
mit wahrscheinlich Untergruppen zwischen Die Daten.
Hierarchisch Clustering mit Die Station Distanz Verfahren War angewandt,
Und Die Ausgabe War beschränkt Zu vier Cluster
für Leichtigkeit von Interpretation.
Der Station Verfahren 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 Innova.
A Farbe Karte War hinzugefügt Zu Die Dendrogramm Ausgabe
Zu Hilfe visuell Vergleich An Antwort Unterschiede über Die Gruppen.
Einzigartig Muster innerhalb Und Unterschiede zwischen Cluster
war zusammengefasst basierend An niedrig, Medium, oder hoch Wartung.
Bedeutung Wie viel Zugang Zu Pflege War gebraucht von Die geduldig
solch als Frequenz von Routine Und dringend Büro Besuche
oder Kontaktaufnahme Die Büro während oder draußen 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 Rezept Bedürfnisse.
Der Cluster Ausgabe War gespeichert Und zugewiesen Zu jede Antwort für Die Anzeige hoc Analyse.
Jetzt, Die primär Fokus von Die Projekt War Vergleich Cluster
An drei Schlüssel Bewertungen verwandt Zu Die Anbieter
ihre gesamt Gesundheit, Und gesamt mental Gesundheit.
Jedoch, mit JMP, Du dürfen verwenden Die Cluster Aufgaben
Zu erkunden Die Verteilung von demografische Daten
als Also als andere Frage Antworten zwischen Die Gruppen.
Für Zukunft Analyse, Wir empfehlen Erkundung 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 Patienten Bewertungen von Die Anbieter ihre gesamt Gesundheit, Und mental Gesundheit.
Visuell Inspektion von Die bedeuten Ergebnisse für jede von diese drei Variablen
empfohlen Das Dort Mai 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 Rezept 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 Verwendung JMPs Kontingenz Analyse,
welche Ist a Verfahren für Untersuchung Die Beziehung
zwischen zwei kategorisch Variablen.
Wir identifizieren statistisch bedeutsam Unterschiede
In Anbieter gesamt Gesundheit, Und mental Gesundheit Bewertungen
basierend An Die geduldig Cluster
welche weiter Highlights Die Dienstprogramm von unser Clustering Ansatz
In Identifizierung sinnvoll geduldig Gruppen.
Gesamt, Verständnis Die Beziehung zwischen jede Gruppe Pflege Reise
Und gesamt Erfahrung Und Gesundheit Bewertungen
dürfen informieren Die Design von Gesundheit Pflege Praktiken
solch als erweitert Kommunikation Kanäle während nicht- regulär Büro Std.
oder Pflege Navigation Dienstleistungen
Zu Hilfe mit folgen- hoch von Labor Und Rezept Management.
Dank Du für Ansicht heutige Sitzung.
Wir Willkommen dein Fragen Und Kommentare.
