类别不平衡学习在免疫接种后不良事件严重程度预测中的应用比较研究
机器学习
2022-06-22 v1
摘要
我们与中国辽宁 CDC 合作，提出一种基于免疫接种后不良事件数据预测出现不良反应儿童后续是否住院的预测系统。我们从数据中提取了多个特征，并选择“是否住院”作为分类目标。由于数据不平衡，我们使用多种类别不平衡学习方法进行训练，并改进了 RUSBoost 算法。实验结果表明，改进后的 RUSBoost 在这些算法中针对该目标的 ROC 曲线下面积最高。此外，我们将这些类别不平衡学习方法与一些常见机器学习算法进行了比较。我们将改进后的 RUSBoost 与动态 Web 资源开发技术结合，构建了具有信息录入和接种反应预测能力的评估系统，供相关医疗从业者使用。
引用
@article{arxiv.2206.09752,
title = {A Comparative Study on Application of Class-Imbalance Learning for Severity Prediction of Adverse Events Following Immunization},
author = {Ning Chen and Zhengke Sun and Tong Jia},
journal= {arXiv preprint arXiv:2206.09752},
year = {2022}
}