Как украсить квартиру своими руками на выписку из роддома: Украсить Комнату на Рождение Ребенка Своими Руками + 140 ФОТО

Рождение ребенка — радостное событие для всей семьи. Чтобы красиво встретить маму и новорожденного из роддома, а чудесный день надолго запечатлеть в памяти, папа и родственники украшают помещение для малыша и квартиру к выписке и встрече новорожденного.

Множество специализированных предприятий предлагают услугу подготовки комнаты для встречи ребенка. Однако лучше создать праздничное настроение и подготовить сюрприз маме и малышу, украсив помещение самостоятельно. Тем более что существует масса вариантов, как украсить комнату для новорожденного своими руками.

Подготовка к встрече новорожденного

Подготовить комнату для первой встречи малыша из роддома совсем несложно. В качестве украшений подойдут любые атрибуты праздника: воздушные шары, цветы, помпоны, бумажные поделки, мягкие игрушки, плакаты и т.д.

Что касается выбора цветовой гаммы, то тут многое зависит от пола младенца. Для новорожденной девочки как нельзя лучше подойдут декорации в розовых, нежно-фиолетовых, мятных тонах. Для встречи мальчика лучше выбирать голубые, синие, зеленые оттенки.

Итак, перед началом оформления помещения необходимо:

1. Провести тщательную уборку комнаты.
2. Записать на листе бумаги несколько идей по украшению помещения.
3. Выбрать наиболее удачную идею.
4. Составить список необходимых покупок для осуществления этой идеи.
5. Купить все необходимое.

Украшение дома

Для украшения комнаты для новорожденного хорошо подойдут воздушные шары. Для декора можно использовать любые, однако лучше сделать выбор в пользу гелиевых шаров из плотного материала: риск того, что шар лопнет с сильным хлопком и испугает ребенка, будет сведен к минимуму. Запустите гелиевые шары со свисающими вьющимися ленточками под потолок, а к каждой ленточке прикрепите таблички с пожеланиями малышу и маме. Не менее хорошо будут смотреться грозди разноцветных шаров, привязанные к углам детской кроватки и к элементам мебели.

Неплохая альтернатива шарикам — бумажные помпоны. Их можно купить в специализированных магазинах, а можно изготовить самостоятельно из салфеток и гофрированной цветной бумаги. Сочетайте белые и нежные пастельные тона. Помпоны лучше выбирать самых разных размеров, что поможет создать объемную воздушную композицию.

Среди советов о украшениях помещения к выписке важное место занимают самодельные плакаты и рисунки. Маме будет приятно разглядывать тематический плакат, сделанный руками мужа, в котором обозначены личные волнующие моменты и воспоминания. А когда ребенок подрастет, он сможет прочувствовать настроение торжества, увидев эту поделку.

Хорошо будут смотреться праздничные флажки, развешанные по углам комнаты. Их можно приобрести в магазине для организации праздников, но если их вырезать из цветной бумаги самостоятельно, они будут выглядеть гораздо более трогательно.

В качестве элементов оформления для новорожденного мальчика хорошо подойдут флажки, наклейки и картинки в виде машинок, самолетиков, корабликов или плюшевых мишек. Для комнаты девочки можно использовать формы облачков, бабочек, корон, звездочек или бантов. Украсить комнату бантами из лент или плюшевыми игрушками — тоже неплохая идея.

Популярный вариант оформления детской комнаты, пришедший к нам из-за границы — украшение стены именем малыша. Имя можно вырезать самостоятельно из бумаги, а можно составить из декоративных букв, которые продаются в любом специализированном магазине. Некоторые производители предлагают красиво вырезать имя ребенка из фанеры или оформить надпись настенной переводной наклейкой. Такой вариант долго будет украшать комнату.

Мебель в комнате новорожденного

Как бы красиво не была украшена комната к выписке, главную роль в помещении играет мебель. Она должна быть удобной и безопасной для ребенка.

Самый важный предмет комнаты для новорожденного — это детская кроватка. Она должна быть удобной и устойчивой. Для кровати следует выбирать в меру упругий матрас. Производителям детской мебели пришла в голову интересная идея, полюбившаяся многим родителям, — кроватка-трансформер. С помощью нехитрых манипуляций кровать-качалка может превращаться в манеж на колесиках, длину кровати можно регулировать, а ограждение снимать.

Кроме кровати, в комнате малыша должен находиться комод со шкафчиками для хранения детских вещей и емкость для хранения игрушек и погремушек. Многие мамы советуют приобретать в детскую пеленальный столик.

Производители детских товаров обязаны использовать только экологически чистые материалы для мебели, однако перед покупкой лучше убедиться в качестве продукции.

В комнате для новорожденного не должно быть никаких острых углов, неустойчивых предметов и мелких деталей. Все полки и ящики должны быть надежно закреплены, а на окна и дверцы лучше установить специальные предохранители, чтобы обезопасить ребенка, когда он немного подрастет и начнет самостоятельно передвигаться по комнате.

Выписка из роддома: оригинальные идеи

Увидеть долгожданного малыша после родов стремятся все родственники и друзья мамочки. И чаще всего это происходит во время выписки из роддома. Муж, родители с двух сторон, дяди и тети, близкие друзья с нетерпением ждут виновницу торжества с крохой на руках.

Ведь встреча с роддома символизирует приветствие новой жизни в нашем мире. Поэтому папы стараются отблагодарить своих любимых женщин за тот подарок, который они им преподнесли и организовать встречу второй половинки так, чтобы она запомнилась на всю жизнь, как яркий праздник, переполненный счастьем, впечатлениями, позитивными эмоциями.

С другой стороны, молодая мама тоже нуждается в ощущениях праздника. Она столько пережила за эти дни! 

Как сделать момент выписки из роддома запоминающимся, радостным, счастливым и переполненным позитивными эмоциями? Мы подготовили Вам интересные идеи, которые помогут организовать праздник.

Итак, организация встречи мамы и ребенка из роддома.

Выписка из роддома: оригинальные идеи

1. Транспорт к роддому

Первое, о чем нужно побеспокоиться папе – это о комфортабельном транспорте, который доставит маму и ребенка домой.

Приятным сюрпризом будет красиво украшенный ретроавтомобиль, хорошая представительская машина, лимузин. Транспорт можно украсить пупсами, сосками, бантиками, бутылочками, шарами. Хорошо, если в нем будет звучать приятная праздничная музыка, либо любимая песня мамочки. Внутри машину можно украсить мягкими игрушками.

Если позволяет погода, и Вы хотите удивить свою любимую женщину еще больше, закажите поистине изысканный транспорт – карету.

Если у Вас нет такой возможности, позаботьтесь о комфортабельном такси.

2. Красная дорожка

Торжественности событию можно добавить с помощью ковровой красной дорожки, которую расстелить от выхода из роддома и до машины.

Подчеркнуть романтичность позволит дорожка из лепестков роз. И первый, и второй вариант продемонстрируют маме важность этого жизненного этапа.

3. Выписка из роддома. Украшения из воздушных шаров

Приятным неожиданным сюрпризом для женщины может стать целый каскад воздушных шаров, которые, загадав желание, можно выпустить в небо под нежную лиричную музыку.

Воздушными шарами можно украсить роддом, машину, квартиру (дом), палату, подъезд, детскую комнату и т. д. Из шаров можно сделать букеты и украсить ими холл роддома, выход из роддома.

Из шаров можно выложить имя новорожденного либо нанести на шары его имя, а также слово «Поздравляю!», «Спасибо за сына!», «Спасибо за дочь!» и т. п.

Выписка из роддома – очень важное событие для каждой семьи, поэтому оно должно быть памятным. Сделайте огромное сердце из большого количества шариков, детскую коляску, фигурку младенца.

4. Цветочная феерия

Каждая женщина любит получать цветы. А женщина, которая 9 месяцев вынашивала долгожданного малыша, а потом, приложив столько усилий, помогла появиться ему на свет, заслуживает красивейший букет по праву.
Но, стоит ли покупать огромный букет, который состоит из большого количества цветов, например, 100 роз? Если папа готов на такие расходы, почему бы и нет, но такой подарок лучше оставить дома. Ведь у мамы на руках еще не совсем окрепший малыш, да и сама она может не очень хорошо себя чувствовать после всего пережитого, поэтому встречать ее у роддома лучше с небольшим, но красиво подобранным букетом.

А задекорировать квартиру, дом помогут композиции из живых цветов, а также – игрушка либо торт из цветов. Они позволят еще несколько дней напоминать о том, как для мужчины ценно возвращение любимой женщины и малыша домой.

А вот ставить живые цветы в комнате крохи, мы не рекомендуем. Они могут иметь резкий запах и вызвать аллергию.

Красивые букеты получаются с использованием ленточек и игрушек. Такой букет не завянет, и будет долго радовать виновников торжества.

5. Театрализованное действие

Если Вы хотите, чтобы выписка из роддома запомнилась надолго, организуйте театрализованное действие, пригласив артистов. Это могут быть клоуны, музыканты, ростовые куклы, известные ведущие и т. п. Также хорошим вариантом может быть скрипач, саксофонист, группа танцоров и целый флешмоб.

6. Спецэффекты

Сюда относятся конфетти, запуск голубей, пиротехники, мыльных пузырей, воздушных шаров.

7. Печатные поздравления

Поздравительные баннера, плакаты с пожеланиями, флажки. Их можно развесить по дороге, чтобы они встречались маме, когда она будет возвращаться домой, можно во дворе, возле подъезда.

8. Билборд

Закажите поклейку необычного поздравления на билборде (рекламном щите), который находится близко к Вашему дому. Подберите удачный макет, чтобы подарок был заметным. Главное, чтобы он располагался в месте, где часто бывает мама.

9. Профессиональная фото- и видеосъемка

Фото- и видеосъемка — это отличная возможность запечатлеть радостное событие в жизни семьи. Что нужно снимать? Роддом, сборы ребенка перед выходом, вынос малыша к родственникам, его появление дома. Можно смонтировать целый фильм об этом памятном событии. И не забудьте о фотоотчете. Дели, подрастая, любят рассматривать семейный фотоальбом.

10. Позаботьтесь о женщине

Обратите внимание, что главным действующим лицом видео- и фотосъемки будет не только малыш, но и мама. Позаботьтесь о том, чтобы она достойно выглядела, ведь это очень важно для каждой женщины. Созвонитесь с ней, спросите, какую одежду, обувь и косметику ей нужно принести. Уточните все, запишите и внимательно соберите, чтобы потом не было никаких неожиданностей.

11. Фуршет

По прибытии домой можно устроить небольшой фуршет, либо чаепитие. Но, здесь важно, чтобы мероприятие не было продолжительным, поскольку маме и ребеночку нужно отдохнуть и адаптироваться в новой роли. Кроме того, небольшой фуршет можно организовать у роддома, в ресторане. Что еще важно? Чтобы меню учитывало особенности питания кормящей мамы.

12. Эксклюзивный праздничный торт

Единственное, что обидно, что ни мама, ни ребенок не смогут его попробовать, зато таким шедевром можно угостить родных и близких людей, которые пришли разделить это замечательное событие. Какой торт стоит покупать? В виде детской коляски, с изображением младенца, с именем новорожденного, в виде машинки либо куклы Барби, в виде вылупившегося яйца.

13. Граффити

Еще один необычный вариант – это граффити у дома (у подъезда, под окном) либо у роддома.

14. Благословение новорожденного

Организуйте процесс благословения новорожденного у роддома, пригласив батюшку, либо посетите церковь.

15. Выписка из роддома. Подарки

Можно что-то выбрать из рациональных подарков: блендер, фильтр для воды, посудомоечная машина, хлебопечка, кухонный комбайн, мультиварка, пароварка, соковыжималка, большой тематический фотоальбом, набор детского белья, детской косметики, автокресло и т. д. Они обязательно найдут свое применение в хозяйстве.

Есть еще один интересный вариант – это памятная коробочка для мамы «Мамины сокровища», в которой она сможет хранить приятные сердцу мелочи: бирочку из роддома, первый локон волос, первый зубик, первую соску и т. п.

И не забудьте о том, что сейчас при выписке из роддома принято дарить подарки врачам и медсестрам.

А напоследок хочу обратить внимание на один очень важный нюанс: организация выписки из роддома – дело не простое, ведь нужно учесть состояние здоровья и пожелания мамы. Хочется ли ей сейчас шумных поздравлений и праздника. Что бы ни ответила Вам женщина, обязательно окружите ее заботой, вниманием, лаской, любовью. Обнимите своих родных и скажите: «Добро пожаловать! Я так Вас ждал!», «Я за Вами сильно соскучился!».

Впереди у Вас полна событиями жизнь: первый зуб, первые слова, первый шаг, первый визит в детский сад, первый класс и т. п. А памятный день выписки из роддома – это всего лишь начало пути.

Не пропустите интересные статьи:

Выписать из больницы информацию — что?

Коронавирусная и больничная выписка

Чтобы освободить койки во время коронавирусного кризиса, в службы выписки из больницы будут внесены некоторые временные изменения. Пациенты, которые готовы покинуть больницу, смогут сделать это как можно скорее. Там, где это необходимо, оценка и организация текущего ухода будут проводиться после того, как пациенты вернутся в свои дома. Узнайте больше на GOV.UK.

План выписки

План выписки — это результат обсуждений в больнице с командой медицинских работников.Каждому пациенту следует дать один, прежде чем покинуть больницу.

Уход за пациентом не должен заканчиваться в тот момент, когда он покидает больницу. Во всех больницах должны быть планы оказания помощи близкому человеку при переходе из больницы в дом или дом престарелых. Каждая больница будет иметь свою собственную политику и механизмы выписки пациентов и должна предоставить информацию об этом.

Социальный работник больницы и, возможно, группа реабилитации (также известная как координационная группа выписки), вероятно, будут участвовать в планировании текущего ухода.

Специалисты, отвечающие за уход за вашим близким, должны составить план выписки, обсудив это с вашим близким и с вами. Они будут задавать вопросы, чтобы они могли оценить свои потребности и выяснить, какая поддержка необходима, когда они возвращаются домой. Эти вопросы могут включать в себя:

• Можете ли вы управлять ступеньками или лестницей?
• Как вы справляетесь с личными средствами, такими как купание и стирка?
• Можете ли вы приготовить себе еду?
• Вам нужна финансовая поддержка?

Этот план должен быть составлен в течение 24 часов после поступления в больницу, однако на самом деле его более вероятно составить после того, как выписка будет на горизонте, особенно если они будут в больнице некоторое время.

В нем должно быть указано, кто будет продолжать лечение после выхода из больницы. Важно отметить, что в нем также должно быть указано, к кому обращаться за помощью и поддержкой, когда человек, за которым вы ухаживаете, вернулся домой.

Вашему близкому человеку может потребоваться постоянный уход со стороны различных организаций и медицинских работников. Если они это сделают, медсестра по связям, координатор выписки медсестры или специалист по оценке из группы по реабилитации будут управлять мероприятиями, когда они вернутся домой.

Когда приходит время выписываться уход на месте, чтобы они могли безопасно управлять дома или переехать в дом по уходу.

Их нельзя разряжать среди ночи, а также без надлежащей транспортировки. Если вы не согласны с решением об увольнении или с условиями увольнения, поговорите с медсестрой, отвечающей за команду.

Ваш близкий человек имеет право выписаться из больницы в любое время, но вы должны поговорить с ним и медицинской командой, если вы чувствуете, что они делают это, прежде чем они будут готовы.

Если вы недовольны предложенной датой выписки, сообщите о своей проблеме персоналу больницы.

Используйте наш каталог, чтобы найти местные дома по уходу, агентства по уходу на дому и службы поддержки по всей Великобритании.

Оценка потребностей

Если ваш близкий человек серьезно заболел или пострадал от падения, ему может потребоваться уход после возвращения домой. Если это так, им должен быть назначен социальный работник больницы, специалист по трудотерапии или другой сотрудник, который оценит их потребности и обсудит подходящий пакет услуг по месту жительства, чтобы помочь после выписки из больницы.

Специалист больничного здравоохранения организует проведение оценки, пока ваш близкий человек все еще находится в больнице, или, если имеется шестинедельный пакет промежуточного медицинского обслуживания NHS, до истечения шести недель.После того, как их потребности были оценены, персонал должен обсудить варианты их удовлетворения и разработать план ухода с подробным описанием оцененных потребностей.

В Шотландии каждый совет NHS и каждый отдел социальной работы местного совета должны иметь специальную договоренность о выписке пациентов. Во многих областях Совета здравоохранения NHS этот процесс называется единой общей оценкой.

Промежуточное обслуживание предоставляется в Шотландии, но продолжительность может варьироваться в зависимости от обстоятельств.

Получите экспертные рекомендации по уходу за пожилыми людьми. Наши электронные письма бесплатны, и вы можете остановить их в любое время.

Как украсить квартиру без покраски

Покраска стен почти всегда является одной из первых вещей в списке при ремонте или отделке квартиры. Тем не менее, это не делает это обязательным. Есть много способов, которыми вы можете завершить проект без использования краски. Например:

Декор подвесной стены.

Посмотреть в галерее

Одной из альтернатив будет повесить вещи на стены вашей квартиры. Например, гобелены и шторы могут быть вариантом.Используйте их для создания специальных визуальных эффектов для стен.

Стенка арт.

Посмотреть в галерее

Художественная роспись на стенах и фотографии прекрасно подходят для покрытия стен вашего дома. Они могут улучшить стиль, который вы выбрали для пространства, и их можно легко заменить, если вы хотите свежую атмосферу.

Съемная настенная графика.

Посмотреть в галерее

Посмотреть в галерее

Если вы живете в съемной квартире, тогда могут быть ограничения, когда дело доходит до покраски стен.Вы по-прежнему можете добавить свой собственный штрих к декору, используя наклейки и другую съемную настенную графику. Их можно легко заменить или удалить, оставив стены в их первоначальном состоянии.

Открытые полки.

Посмотреть в галерее

Вы также можете использовать полки, чтобы изменить внешний вид стены. Есть много интересных дизайнов и форм на выбор, и некоторые из них действительно привлекательны. Простой дизайн полки может стать идеальным местом для показа ваших личных коллекций.

Складные экраны.

Посмотреть в галерее

Посмотреть в галерее

Используйте складные экраны, чтобы покрыть уродливую стену и изменить внешний вид вашей квартиры. Вы можете перемещать их, когда захотите, и они также могут сделать красивые украшения для комнаты. В спальне складной экран можно использовать как изголовье.

Ткань.

Посмотреть в галерее

Посмотреть в галерее

Стены и даже потолок можно покрыть тканью.Есть несколько действительно интересных техник и дизайнов, которые вы можете попробовать. Нет необходимости красить стену, когда вы можете спрятать ее за какой-нибудь красивой тканью.

Как украсить квартиру по бюджету

Оформление квартир — хороший пример украшения с удовольствием. Есть различные способы украсить это, но когда у кого есть бюджет, это становится немного трудным. Нужно проверить наилучший возможный вариант, прежде чем принимать решение. Это позволяет получить вещи в бюджет. Вот несколько простых и эффективных советов, которые можно использовать для того, чтобы все было сделано правильно.

Стены.

В любой квартире стены — это первое место для работы.Итак, хорошо покрасить стены квартиры в цвет, который подходит вам и вашему месту лучше всего. Здесь также можно использовать ткани, чтобы стены выглядели лучше. Также доступно множество различных подвесок, которые вы можете использовать по своему вкусу и теме.

Шторы.

Посмотреть в галерее

Либо это двери, либо окна, повсюду расставив хорошие шторы, чтобы оживить дух этого места. Итак, выбирайте шторы по цвету стен и расставляйте их по порядку.

Мебель.

После того, как каркас отделки готов, мебель должна быть в центре внимания. Многим это может показаться довольно дорогим, что верно только тогда, когда выбор не сделан тщательно. Доступна пластиковая мебель с привлекательными узорами, которую можно купить по более низкой цене. Это не только удовлетворяет бюджетным требованиям, но и позволяет занять достойное место.

Предметы декора.

Последнее, что нужно сделать при отделке бюджетной квартиры, это получить дополнительные предметы интерьера. Здесь можно использовать много ваз и обычных светильников, чтобы сделать это место экзотическим. Вы также можете разместить свои семейные фотографии, если вариант картины кажется дорогим.

Введение в клиническую обработку естественного языка: прогнозирование повторной госпитализации с выпиской из счета | Andrew Long

Врачи всегда писали клинические заметки о своих пациентах — первоначально эти заметки были на бумаге и были заперты в шкафу. К счастью для ученых данных, врачи теперь вносят свои записи в электронную медицинскую карту. Эти заметки представляют собой обширный опыт и знания, которые могут быть использованы для прогнозных моделей с использованием Natural Language Processing (NLP) для улучшения ухода за пациентами и рабочего процесса в больнице.В качестве примера я покажу вам, как прогнозировать повторную госпитализацию с помощью сводных выписок.

Эта статья предназначена для людей, интересующихся наукой о медицинских данных. После завершения этого урока вы изучите

• Как подготовить данные для проекта машинного обучения
• Как предварительно обработать неструктурированные заметки, используя подход с набором слов
• Как построить простую прогностическую модель
• Как оценить качество вашей модели
• Как определить следующий шаг для улучшения модели

Недавно я прочитал эту замечательную статью «Масштабируемое и точное глубокое обучение для электронных медицинских карт», автор Rajkomar et al.(статья на https://arxiv.org/abs/1801.07860). Авторы создали много современных моделей глубокого обучения с данными больниц для прогнозирования внутрибольничной смертности (AUC = 0,93–0,94), 30-дневной незапланированной реадмиссии (AUC = 0,75–76), длительной продолжительности пребывания (AUC). = 0,85–0,86) и диагнозы выписки (AUC = 0,90). AUC является метрикой производительности науки о данных (подробнее об этом ниже), где ближе к 1 лучше. Понятно, что прогнозирование реадмиссии является самой сложной задачей, поскольку у него более низкий AUC. Мне было любопытно, насколько хороша модель, которую мы можем получить, если использовать произвольные текстовые сводки с простой прогностической моделью.

Если вы хотите следовать коду Python в блокноте Jupyter, не стесняйтесь загружать код с моего github.

В этом блоге будет рассказано, как построить классификационную модель для прогнозирования того, какие пациенты подвергаются риску 30-дневной незапланированной реадмиссии, используя сводные выписки из больницы.

Мы будем использовать базу данных MIMIC-III (Медицинский информационный центр для интенсивной терапии III). Эта удивительная бесплатная база данных больниц содержит неопознанные данные более чем 50 000 пациентов, которые были госпитализированы в медицинский центр Beth Israel Deaconess в Бостоне, штат Массачусетс, с 2001 по 2012 год.Чтобы получить доступ к данным этого проекта, вам необходимо запросить доступ по этой ссылке (https://mimic.physionet.org/gettingstarted/access/).

В этом проекте мы будем использовать следующие таблицы MIMIC III

• ADMISSIONS — таблица с датами приема и выписки (имеет уникальный идентификатор HADM_ID для каждого приема)
• NOTEEVENTS — содержит все примечания для каждой госпитализации (ссылки с HADM_ID)

Чтобы сохранить анонимность, все даты были перенесены далеко в будущее для каждого пациента, но время между двумя последовательными событиями для пациента сохраняется в базе данных.Это важно, поскольку оно поддерживает время между двумя госпитализациями для конкретного пациента.

Поскольку это ограниченный набор данных, я не могу публично обмениваться необработанными данными пациентов. В результате я покажу вам только искусственные данные одного пациента или агрегированные описания.

Мы будем следовать приведенным ниже шагам, чтобы подготовить данные из таблиц ADMISSIONS и NOTEEVENTS MIMIC для нашего проекта машинного обучения.

Во-первых, мы загружаем таблицу допусков, используя pandas dataframes:

 # настроить ноутбук 
 для импорта панд как pd 
 для импорта numpy как np 
 import matplotlib.pyplot as plt # читать таблицу допусков 
 df_adm = pd.read_csv ('ADMISSIONS.csv') 

Основные столбцы, представляющие интерес в этой таблице:

• SUBJECT_ID: уникальный идентификатор для каждого субъекта
• HADM_ID: уникальный идентификатор для каждая госпитализация
• ADMITTIME: дата поступления в формате ГГГГ-ММ-ДД чч: мм: сс
• DISCHTIME: дата выписки в том же формате
• DEATHTIME: время смерти (если оно существует) в том же формате
• ADMISSION_TYPE: включает ELECTIVE, Чрезвычайная ситуация, Ньюборн, Срочно

Следующим шагом является преобразование дат из их строкового формата в дату и время.Мы используем флаг errors = ‘coerce’ , чтобы учесть пропущенные даты.

 # преобразовать в даты 
 df_adm.ADMITTIME = pd.to_datetime (df_adm.ADMITTIME, формат = '% Y-% m-% d% H:% M:% S', ошибки = 'принудительно') 
 df_adm.DISCHTIME = pd.to_datetime (df_adm.DISCHTIME, формат = '% Y-% m-% d% H:% M:% S', ошибки = 'coerce') 
 df_adm.DEATHTIME = pd.to_datetime (df_adm.DEATHTIME, формат = '% Y-% m-% d% H:% M:% S', ошибки = 'принудительно') 

Следующим шагом является получение следующей незапланированной даты поступления, если она существует.Это будет сделано в несколько шагов, и я покажу вам, что происходит с искусственным пациентом. Сначала мы отсортируем кадр данных по дате поступления

 # сортируем по subject_ID и дате поступления 
 df_adm = df_adm.sort_values ​​(['SUBJECT_ID', 'ADMITTIME']) 
 df_adm = df_adm.reset_index (drop3 True) 

Мы можем использовать оператор групповой смены, чтобы получить следующий допуск (если он существует) для каждого SUBJECT_ID

 # добавить следующую дату и тип приема для каждого субъекта, используя groupby 
 # Вы должны использовать групповые, иначе даты будут из разных предметов 
 df_adm ['NEXT_ADMITTIME'] = df_adm.groupby ('SUBJECT_ID'). ADMITTIME.shift (-1) # получить следующий тип допуска 
 df_adm ['NEXT_ADMISSION_TYPE'] = df_adm.groupby ('SUBJECT_ID'). ADMISSION_TYPE.shift (-1) 

Обратите внимание, что последний

Обратите внимание, что последний

Обратите внимание, что последний

Обратите внимание, что последний

Обратите внимание, что последний

Обратите внимание, что последний

Обратите внимание, что последний

Обратите внимание, что последний

Обратите внимание, что последний

Обратите внимание, что последний

Обратите внимание, что последний

Примечание, что последний вход не имеет следующего входа.

Но мы хотим предсказать НЕЗАКОННЫЕ повторные зачисления, поэтому нам следует отфильтровать ВЫБОР следующих зачислений.

 # получить строки, в которых следующий допуск является факультативным, и заменить на naT или nan 
 rows = df_adm.NEXT_ADMISSION_TYPE == 'ELECTIVE' 
 df_adm.loc [строки, 'NEXT_ADMITTIME'] = pd.NaT 
 df_adm.loc [ряды, 'NEXT_ADMISSION_TYPE'] = np.NaN 

И затем засыпать значения, которые мы удалили

 # сортировать по subject_ID и дате поступления 
 # это безопаснее сортировать прямо перед заполнением, если что-то изменило порядок выше 
 df_adm = df_adm.sort_values ​​(['SUBJECT_ID', 'ADMITTIME'])) обратная заливка (это займет немного времени) 
 df_adm [['NEXT_ADMITTIME', 'NEXT_ADMISSION_TYPE']] = df_adm.groupby (['SUBJECT_ID']) [['NEXT_ADMITTIME', 'NEXT_ADMISSION_TYPE']].fillna (method = 'bfill') 

Затем мы можем вычислить дни до следующего поступления

 df_adm ['DAYS_NEXT_ADMIT'] = (df_adm.NEXT_ADMITTIME - df_adm.DISCHTIME) .dt *total_seconds () 60) 

В нашем наборе данных с 58976 госпитализациями было 11399 повторных госпитализаций. Для тех, кто с повторным поступлением, мы можем построить гистограмму дней между приемами.

Теперь мы готовы к работе с NOTEEVENTS.csv

 df_notes = pd.read_csv ("NOTEEVENTS.csv") 

Основные интересующие колонки:

• SUBJECT_ID
• HADM_ID
CAT
• 000000 резюме »,« Эхо »,« ЭКГ »,« Уход »,« Врач »,« Реабилитационные услуги »,« Лечение случаев »,« Респираторные операции »,« Питание »,« Общее »,« Социальная работа »,« Аптека », «Consult», «Radiology»,
  «Уход / другое»
• ТЕКСТ: наша колонка клинических заметок

Поскольку я не могу показать отдельные заметки, я просто опишу их здесь.Набор данных имеет 2 083 180 строк, что указывает на наличие нескольких записей на одну госпитализацию. В примечаниях даты и ЗМИ (имя, врач, место нахождения) были преобразованы для обеспечения конфиденциальности. Есть также специальные символы, такие как \ n (новая строка), цифры и знаки препинания.

Поскольку на одну госпитализацию приходится несколько заметок, нам нужно сделать выбор, какие записи использовать. Для простоты давайте воспользуемся сводкой выписок, но мы можем использовать все заметки, объединяя их, если захотим.

 # фильтр для выведения итогов 
 df_notes_dis_sum = df_notes.loc [df_notes.CATEGORY == 'Сводка выписок'] 

Поскольку следующим шагом является объединение заметок в таблице допущений, мы можем предположить, что есть один выпуск резюме за вход, но мы, вероятно, должны проверить это. Мы можем проверить это с помощью утверждения assert, которое в итоге завершается неудачей.

На этом этапе вам может потребоваться выяснить, почему существует несколько сводок, но для простоты давайте просто воспользуемся последним

 df_notes_dis_sum_last = (df_notes_dis_sum.groupby (['SUBJECT_ID', 'HADM_ID']). nth (-1)). reset_index () 
 assert df_notes_dis_sum_last.duplicated (['HADM_ID']). sum () == 0, "Сводка по нескольким выпискам за вход" 

Теперь мы готовы объединить таблицы допусков и заметок. Я использую левое слияние для учета отсутствия заметок. Во многих случаях после слияния вы получаете несколько строк (хотя мы рассматривали это выше), поэтому я хотел бы добавить операторы assert после слияния

 df_adm_notes = pd.merge (df_adm [['SUBJECT_ID', 'HADM_ID ',' ADMITTIME ',' DISCHTIME ',' DAYS_NEXT_ADMIT ',' NEXT_ADMITTIME ',' ADMISSION_TYPE ',' DEATHTIME ']], 
 df_notes_dis_sum_last [[' SUBJECT_ID ']], TID, HID, HID 'SUBJECT_ID', 'HADM_ID'], 
 how = 'left') 
 assent len ​​(df_adm) == len (df_adm_notes), 'Количество строк увеличено' 

10.Отсутствует 6% пропусков ( df_adm_notes.TEXT.isnull (). Sum () / len (df_adm_notes) ), поэтому я провел дальнейшее исследование с

 df_adm_notes.groupby ('ADMISSION_TYPE'). Apply (lambda g) . На данный момент я решил удалить НОВОРОЖДЕННЫЕ. Скорее всего, эти пропущенные при поступлении в NEWBORN сводные данные о выписке хранятся вне набора данных MIMIC.
 
 Для этой проблемы мы собираемся классифицировать, будет ли пациент принят в течение следующих 30 дней. Поэтому нам нужно создать переменную с выходной меткой (1 = повторно принятый, 0 = не принятый) 
 
 df_adm_notes_clean ['OUTPUT_LABEL'] = (df_adm_notes_clean.DAYS_NEXT_ADMIT <30) .astype ('int') 
 Быстрый подсчет положительных и отрицательных результатов в 3004 положительных образцах, 48109 отрицательных образцов. Это указывает на то, что у нас есть несбалансированный набор данных, что является распространенным явлением в науке о данных здравоохранения.
 Последний шаг для подготовки наших данных - это разделение данных на обучающие, проверочные и тестовые наборы. Для воспроизводимых результатов я сделал random_state всегда равным 42.
 # перетасовываем образцы 
 % данных как данные проверки и проверки 
 df_valid_test = df_adm_notes_clean.sample (frac = 0.30, random_state = 42) df_test = df_valid_test.sample (frac = 0.5, random_state = 42) 
 df_valid = df_valid_test.drop (df_test.index) # использовать остальные данные в качестве обучающих данных 
 df_train_all = df_adm_notes_clean.drop (df_valid_test.index) 
, так как низкий показатель Мы хотим, чтобы модель не всегда прогнозировала отрицательное значение (не допускается повторно). Для этого у нас есть несколько вариантов для балансировки обучающих данных
 с дополнительной выборкой негативов
 с дополнительной выборкой позитивов
 создают синтетические данные (например,грамм. SMOTE)
 Поскольку я не устанавливал никаких ограничений на объем оперативной памяти для вашего компьютера, мы отберем негативы, но я рекомендую вам попробовать другие методы, если ваш компьютер или сервер могут с этим справиться, чтобы выяснить, Вы можете получить улучшение. (Опубликуйте комментарий ниже, если вы попробуете это!)loc [~ row_pos] # объединить сбалансированные данные 
 df_train = pd.concat ([df_train_pos, df_train_neg.sample (n = len (df_train_pos), random_state = 42)], axis = 0) # перетасовать порядок обучающих выборок 
 df_train = df_train.sample (n = len (df_train), random_state = 42) .reset_index (drop = True) 

Теперь, когда мы создали наборы данных, которые имеют метку и примечания, нам нужно предварительно обработать наши текстовые данные, чтобы преобразовать их что-то полезное (то есть цифры) для модели машинного обучения. Мы собираемся использовать подход Bag-of-Words (BOW).

BOW в основном разбивает примечание на отдельные слова и подсчитывает, сколько раз встречается каждое слово. Затем ваши числовые данные становятся подсчетами для некоторого набора слов, как показано ниже. BOW - это самый простой способ сделать классификацию НЛП. В большинстве постов в блоге, которые я читал, более сложным методам трудно победить BOW для задач классификации НЛП.

В этом процессе есть несколько вариантов, которые необходимо сделать

• , как предварительно обработать слова
• , как считать слова
• , какие слова использовать

Не существует оптимального выбора для всех проектов НЛП, поэтому Я рекомендую опробовать несколько вариантов при создании собственных моделей.

Вы можете выполнить предварительную обработку двумя способами.

• изменить исходный столбец данных ТЕКСТ.
• - предварительная обработка как часть вашего конвейера, чтобы вы не редактировали исходные данные.

Я покажу вам, как выполнять оба эти но я предпочитаю второй, так как для этого потребовалось много работы.

Давайте определим функцию, которая будет изменять исходный фрейм данных, заполняя пропущенные заметки пробелами и удаляя символы новой строки и возврата каретки.

 def preprocess_text (df): 
 # Эта функция выполняет предварительную обработку текста, заполняя не число и заменяя новые строки (' \ n ') и возврат каретки (' \ r ') 
 df.TEXT = df.TEXT.fillna ('') 
 df.TEXT = df.TEXT.str.replace ('\ n', '') 
 df.TEXT = df.TEXT.str.replace ('\ r', '') 
 return df # предварительно обрабатывает текст для решения известных проблем 
 df_train = preprocess_text (df_train) 
 df_valid = preprocess_text (df_valid) 
 df_test = preprocess_text (df_test) 

Другой вариант - это предварительная обработка как часть процесса. Этот процесс состоит из использования токенизатора и векторизатора. Токенайзер разбивает одну заметку на список слов, а векторизатор берет список слов и считает их.

Мы будем использовать word_tokenize из пакета nltk для нашего токенайзера по умолчанию, который в основном разбивает ноту на основе пробелов и некоторых знаков препинания. Пример показан ниже:

 импорт nltk 
 из nltk import word_tokenize 
 word_tokenize («Это должно быть токенизировано. 02.02.2008 предложение содержит звезды **») 

С выводом:

 ['Это', 'следует ',' be ',' tokenized ','. ', '02 / 02/2018', 'предложение', 
 'имеет', 'звезды **'] 

По умолчанию показано, что некоторые знаки препинания разделены и эти числа остаться в предложении.Мы напишем нашу собственную функцию токенизатора в

• , заменим знаки препинания пробелами
,
• , заменим числа пробелами,
,
• , строчные буквы, все слова
,

, импортируем строку 
. пробелы и строчные все слова 
 punc_list = string.punctuation + '0123456789' 
 t = str.maketrans (dict.fromkeys (punc_list, "")) 
 text = text.lower (). translate (t) 
 tokens = word_tokenize (text) ) 
 возвращаемых токенов 
 

Этот токенизатор мы получаем из нашего исходного предложения

 ['this', 'should', 'be', 'tokenized', 'предложение', 'has', 'stars'] 

Дополнительно все, что вы можете сделать, это лемматизировать или обрезать слова, но это более продвинутый вариант, поэтому я пропущу это.

Теперь, когда у нас есть способ конвертировать свободный текст в токены, нам нужен способ подсчета токенов для каждой сводки выписок. Мы будем использовать встроенный CountVectorizer из пакета scikit-learn. Этот векторизатор просто подсчитывает, сколько раз каждое слово встречается в заметке. Существует также TfidfVectorizer , который учитывает, как часто слова используются во всех заметках, но для этого проекта давайте используем более простую (я получил аналогичные результаты и со второй).

В качестве примера, скажем, у нас есть 3 заметки

 sample_text = ['Наука данных о данных', 'Наука удивительна', 'Прогнозирующее моделирование является частью науки о данных'] 

По сути, вы подходите CountVectorizer, чтобы узнать слова в ваших данных и преобразовать ваши данные, чтобы создать счетчики для каждого слова.

 из sklearn.feature_extraction.text import CountVectorizer 
 vect = CountVectorizer (tokenizer = tokenizer_better) 
 vect.fit (sample_text) # матрица хранится в виде разреженной матрицы (поскольку у вас много нулей) 
 X = vect.transform ( sample_text) 

Матрица X будет разреженной матрицей, но если преобразовать ее в массив ( X.toarray () ), вы увидите этот массив

 ([[1, 0, 2, 1, 0 , 0, 0, 0, 1, 1], 
 [0, 1, 0, 1, 0, 0, 0, 0, 1, 1], 
 [0, 0, 1, 1, 1, 1, 1 , 1, 1, 0]], dtype = int64) 

Где есть 3 строки (так как у нас есть 3 примечания) и количество каждого слова.Вы можете увидеть имена столбцов с помощью vect.get_feature_names ()

 ['about', 'amazing', 'data', 'is', 'моделирование', 'of', 'part', 'Foretive', '' наука ',' the '] 

Теперь мы можем разместить наш CountVectorizer на клинических заметках. Важно использовать только данные обучения, потому что вы не хотите включать какие-либо новые слова, которые появляются в наборах проверки и тестирования. Существует гиперпараметр с именем max_features, который можно установить, чтобы ограничить количество слов, включаемых в векторизатор.Это будет использовать топ N наиболее часто используемых слов. На шаге 5 мы настроим это, чтобы увидеть его эффект.

 # подходит нашему векторизатору. Это займет некоторое время в зависимости от вашего компьютера. from sklearn.feature_extraction.text import CountVectorizer 
 vect = CountVectorizer (max_features = 3000, tokenizer = tokenizer_better) # это может занять некоторое время 
 vect.fit (df_train.TEXT.values) 

Мы можем взглянуть на наиболее часто используемые слова и мы увидим, что многие из этих слов могут не добавить никакой ценности для нашей модели.Эти слова называются стоп-словами, и мы можем легко удалить их (если захотим) с помощью CountVectorizer. Есть списки общих стоп-слов для разных корпусов НЛП, но мы просто составим наш собственный, основываясь на изображении ниже.

 my_stop_words = ['the', 'and', 'to', 'of', 'was', 'with', 'a', 'on', 'in', 'for', 'name', ' is ',' терпеливый ',' s ',' он ',' at ',' as ',' или ',' one ',' she ',' his ',' her ',' am ',' were ' , 'you', 'pt', 'pm', 'by', 'be', 'had', 'your', 'this', 'date', 'from', 'there', 'an', ' что ',' p ',' are ',' have ',' has ',' h ',' but ',' o ',' namepattern ',' which ',' each ',' '' также '] 

Feel можете добавить свои стоп-слова, если хотите.

 из sklearn.feature_extraction.text import CountVectorizer 
 vect = CountVectorizer (max_features = 3000, 
 tokenizer = tokenizer_better, 
 stop_words = my_stop_words) 
 # это может занять некоторое время 
 vect.fit (df_train.TEXT). мы можем преобразовать наши заметки в числовые матрицы. На данный момент я буду использовать только данные обучения и проверки, поэтому я не испытываю желания посмотреть, как они работают с тестовыми данными. 
 
 X_train_tf = vect.transform (df_train.TEXT.values) 
 X_valid_tf = vect.transform (df_valid.TEXT.values) 
 Нам также нужны наши выходные метки в качестве отдельных переменных
 y_train = df_train.OUTPUT_LABEL 
 y_valid = df_valid. полоса прокрутки… как всегда, для подготовки данных для прогнозной модели требуется 80% времени. 
 
 Теперь мы можем построить простую прогностическую модель, которая берет наши входные данные и предсказывает, будет ли пациент повторно принят через 30 дней (ДА = 1, НЕТ = 0).
 
 Здесь мы будем использовать модель логистической регрессии. Логистическая регрессия является хорошей базовой моделью для задач НЛП, поскольку она хорошо работает с разреженными матрицами и интерпретируема. У нас есть несколько дополнительных вариантов (называемых гиперпараметрами), включая C, который является коэффициентом регуляризации и штрафом, который говорит, как измерить регуляризацию. Регуляризация - это техника, позволяющая минимизировать перенастройку. 
 
 # логистическая регрессия 
 из sklearn.linear_model import LogisticRegression 
 clf = LogisticRegression (C = 0.0001, штраф = 'l2', random_state = 42) 
 clf.fit (X_train_tf, y_train) 
 Мы можем рассчитать вероятность повторного пропуска для каждого образца с подобранной моделью
 модель = clf 
 y_train_preds = model.predict_proba (X_train_tf (X_train_tf) ) [:, 1] 
 y_valid_preds = model.predict_proba (X_valid_tf) [:, 1] 
 На данный момент нам необходимо измерить, насколько хорошо работает наша модель. Есть несколько различных метрик производительности науки о данных. Я написал еще одно сообщение в блоге, объясняющее их подробно, если вам интересно.Поскольку этот пост довольно длинный, я начну показывать результаты и цифры. Вы можете увидеть учетную запись github для кода для создания фигур.
 Для порогового значения 0,5 для прогнозирования положительного результата мы получаем следующую производительность
 При текущем выборе гиперпараметров у нас есть некоторое переоснащение. Следует отметить, что основное различие между точностью в двух наборах данных связано с тем, что мы уравновешивали обучающий набор, где в качестве набора проверки используется исходное распределение.В настоящее время, если мы составим список пациентов, которые, как прогнозируют, будут повторно приняты, мы поймаем их вдвое больше, чем если бы мы выбрали случайно выбранных пациентов (ТОЧНОСТЬ против РАСПРОСТРАНЕННОСТИ).
 Другой метрикой производительности, не показанной выше, является AUC или площадь под кривой ROC. Кривая ROC для нашей текущей модели показана ниже. По сути, кривая ROC позволяет вам увидеть компромисс между истинно положительной ставкой и ложно положительной ставкой, когда вы изменяете порог того, что вы определяете как предсказанный положительный или предсказанный отрицательный.
 В этот момент у вас может возникнуть желание рассчитать производительность вашего тестового набора и посмотреть, как вы это сделали. Но ждать! Мы сделали много вариантов (несколько ниже), которые мы могли бы изменить и посмотреть, есть ли улучшения:
 должны ли мы тратить время на получение большего количества данных?
 как токенизировать - стоит ли использовать ствол?
 как векторизовать - стоит ли менять количество слов?
 как упорядочить логистическую регрессию - стоит ли менять С или штраф?
 какую модель использовать?
 Когда я пытаюсь улучшить свои модели, я читаю много других постов и статей в блогах, чтобы увидеть, как люди решают подобные проблемы.Когда вы делаете это, вы начинаете видеть интересные способы визуализации данных, и я настоятельно рекомендую придерживаться этих методов для ваших собственных проектов.
 Для проектов НЛП, использующих логистическую регрессию BOW +, мы можем составить наиболее важные слова, чтобы увидеть, сможем ли мы получить какую-либо информацию. Для этого шага я позаимствовал код из хорошей статьи NLP от Insight Data Science. Когда вы смотрите на самые важные слова, я вижу две непосредственные вещи:
 Ой! Я забыл исключить пациентов, которые умерли с тех пор, как «истекший» появился в отрицательном списке.Сейчас я проигнорирую это и исправлю это ниже.
 Есть также некоторые другие стоп-слова, которые мы, вероятно, должны удалить («должен», «если», «это», «был», «кто», «во время», «х»)
 Когда мы хотим улучшить модель, мы хотим сделать это на основе данных. Вы можете потратить много времени на «догадки», которые не в конечном итоге проваливаются. Для этого рекомендуется выбрать один показатель производительности, который вы используете для принятия решений. Для этого проекта я собираюсь выбрать AUC.
 По первому вопросу, приведенному выше, мы можем построить нечто, называемое кривой обучения, чтобы понять эффект добавления большего количества данных.У Эндрю Нг есть ряд отличных уроков Coursera по обсуждению моделей с высоким смещением и моделями с высокой дисперсией.
 Первая кривая обучения с C = 0,0001.
 Мы можем видеть, что у нас есть некоторое переоснащение, но добавление большего количества данных, вероятно, не приведет к кардинальному изменению AUC для набора проверки. Это полезно знать, потому что это означает, что мы не должны тратить месяцы на получение большего количества данных.
 Некоторые простые вещи, которые мы можем сделать, это попытаться увидеть влияние некоторых наших гиперпараметров ( max_features  и  C ).Мы могли бы выполнить поиск по сетке, но, поскольку у нас есть только 2 параметра, мы могли бы рассмотреть их отдельно и увидеть эффект.
 Эффект CEffect of max_features
 Мы видим, что увеличение C и max_features приводит к тому, что модель довольно быстро переходит на новую модель. Я выбрал C = 0,0001 и max_features = 3000, где набор валидации начал выходить на плато.
 На этом этапе вы можете попробовать еще несколько вещей.
 заменить подвыборку на передискретизацию
 добавить в токенайзер основание или лемматизировать
 протестировать несколько различных моделей обучения sci-kit
 объединить все заметки вместо последней сводки выписок
 попробуйте метод глубокого обучения, такой как LSTM
, просмотрите итоги выписок, которые вы ошибаетесь
 Теперь мы подгоним нашу окончательную модель с выбором гиперпараметра.Мы также исключим пациентов, которые умерли с повторной балансировкой.
 rows_not_death = df_adm_notes_clean.DEATHTIME.isnull () df_adm_notes_not_death = df_adm_notes_clean.loc [rows_not_death] .copy () 
 df_adm_notes_not_death = df_adm_notes_not_death.sample (п = Len (df_adm_notes_not_death), random_state = 42) 
 df_adm_notes_not_death = df_adm_notes_not_death.reset_index (капля = True) # Сохранить 30% данных в качестве данных проверки и проверки 
 df_valid_test = df_adm_notes_not_death.sample (frac = 0.30, random_state = 42) df_test = df_valid_test.sample (frac = 0.5, random_state = 42) 
 df_valid = df_valid_test.drop (df_test.index) # использовать оставшиеся данные в качестве обучающих данных 
 index) assert len ​​(df_adm_notes_not_death) == (len (df_test) + len (df_valid) + len (df_train_all)), «математика не сработала» # разбить тренировочные данные на положительные и отрицательные 
 row_pos = df_train_all.OUTPUT_LABEL == 1 
 df_train_pos = df_train_all.loc [row_pos] 
 df_train_neg = df_train_all.loc [~ row_pos] # объединить сбалансированные данные 
 df_train = pd.concat ([df_train_pos, df_train_neg.sample (n = len (df_train_pos), random_state = 42)], axis = 0) # перетасовать порядок обучающих выборок 
 df_train = df_train.sample (n = len (df_train), random_state = 42) .reset_index (drop = True) # предварительная обработка текста для решения известных проблем 
 df_train = preprocess_text (df_train) 
 df_valid = preprocess_text (df_valid) 9004 (df_test) 
 my_new_stop_words = ['the', 'and', 'to', 'of', 'was', 'with', 'a', 'on', 'in', 'for', 'name' , 'is', 'терпеливый', 's', 'он', 'at', 'as', 'или', 'one', 'она', 'его', 'her', 'am', ' были ',' ты ',' pt ',' pm ',' by ',' be ',' had ',' your ',' this ',' date ',' from ',' there ',' an ' , 'that', 'p', 'are', 'have', 'has', 'h', 'but', 'o', 'namepattern', 'which', 'each', 'также', ' следует ',' если ',' это ',' было ',' кто ',' во время ',' x '] из sklearn.feature_extraction.text import CountVectorizervect = CountVectorizer (в нижнем регистре = True, max_features = 3000, 
 tokenizer = tokenizer_better, 
 stop_words = my_new_stop_words) # соответствуют векторизатору 
 vect.fit (df_train.TEXT.values) X_train.traf .values) 
 X_valid_tf = vect.transform (df_valid.TEXT.values) 
 X_te 
.