医院职称论文提纲

论文题目：基于XGBoost算法的在线医疗社区患者满意度预测研究

摘要：在线医疗社区打破时间和地域的限制连接起医患双方,改变了患者必须到医院就诊的传统医疗模式。除了方便和成本外,患者还可以从不同医生那里获得不同医疗建议,医生也可以获得社会和经济效益。但是,在线医疗社区患者和医生数量的增加导致了信息过载问题,同时医患之间存在信息不对称,患者如何在众多医生中选择令自己满意的医生成为难题。患者满意度评价可以给患者选择医生提供参考。目前大多数研究主要探究影响患者满意度的因素是什么,却鲜有患者满意度预测的研究。在线医疗社区中,与医生相关的信息种类繁多,如何系统地利用这些信息来预测患者的满意度还需要进一步研究。因此,了解影响患者满意度的因素并预测患者满意度具有一定研究意义,其研究结果有利于帮助患者缩小选择范围,同时可以帮助医疗人员有针对性地提高医疗服务质量。本文爬取好大夫在线内分泌科室的所有医生信息和患者信息,提取医生能力、医生在线努力程度、医生服务评价、患者就诊过程四个维度特征,并使用决策树、随机森林、GBDT和XGBoost算法建模预测,使用对不平衡数据较敏感的评估方法AUC值、Kappa值以及混淆矩阵评估预测模型。由于本文数据存在极度不平衡,本文对比了使用SMOTE算法前后的模型预测情况,进一步分析数据不平衡对预测的影响。结果发现XGBoost为最优模型,并使用十倍交叉验证对模型进一步训练,证明预测模型的有效性。之后使用XGBoost算法生成的特征重要性（以平均信息增益为依据）对特征进行排序,对排名前四的特征进行探索性分析。结果发现,医生的活跃度（在线努力程度）与患者满意度成正比,患者接受的治疗方式（患者就诊过程）会影响患者的满意度,医生治疗过的患者总数（医生的服务评价）与患者满意度成正比,学校职称（医生的能力）高低对患者满意度没有明确的正向或者反向关系,但是患者对教授的满意度比对副教授的满意度更低。除此之外,患者的挂号途径、患者选择医生的理由、看病的费用、医生学历、在网站发表的文章、月均好评和医院职称都对患者满意度预测有一定影响。最后,为了研究特征组合对满意度预测结果的影响,使用XGBoost算法生成的特征重要性排名前六的特征逐一组合,并进行建模预测。结果表明特征维度越多,预测效果越好越稳定。

关键词：在线医疗社区;满意度预测;XGBoost;机器学习

学科专业：管理科学与工程

摘要

Abstract

第1章 绪论

1.1 研究背景

1.2 研究问题的提出及意义

1.2.1 研究问题的提出

1.2.2 研究意义

1.3 研究内容与结构

1.3.1 研究内容

1.3.2 技术路线

第2章 相关理论与算法

2.1 在线医疗社区

2.2 患者满意度研究

2.2.1 患者满意度影响因素研究

2.2.2 医生推荐研究

2.2.3 满意度预测研究

2.3 相关预测算法概述

2.3.1 决策树算法

2.3.2 Bagging 算法和Boosting 算法

2.3.3 随机森林算法

2.3.4 GBDT算法

2.3.5 XGBoost算法

2.4 本章小结

第3章 数据采集与处理

3.1 数据爬取

3.2 数据预处理

3.2.1 数据清洗

3.2.2 数据变换

3.3 特征选择

3.3.1 特征分类

3.3.2 特征选择

3.4 本章小结

第4章 患者满意度预测研究

4.1 数据不平衡

4.2 评价指标

4.2.1 AUC和 Kappa

4.3 预测结果分析

4.3.1 四种方法的预测结果

4.3.2 十折交叉验证

4.3.3 各个特征因素在满意度预测中的作用

4.3.4 分析特征组合在满意度预测中的作用

4.4 本章小结

第5章 结论与展望

5.1 研究结论

5.2 研究意义

5.3 研究局限与展望

致谢

参考文献