用于可解释患者爽约预测的多头注意力软随机森林

未出席的预约，即患者爽约，同时对医疗服务提供者和患者健康产生不利影响，扰乱了诊疗的连续性、运营效率以及医疗资源的高效分配。准确的预测建模对于减少爽约的影响至关重要。尽管机器学习方法，如逻辑回归、随机森林模型和决策树，被广泛用于预测患者爽约，但它们通常依赖硬决策分割和静态特征重要性，限制了对特定或复杂患者行为的适应性。为解决这一局限性，我们提出了一种新的混合多头注意力软随机森林（MHASRF）模型，通过概率软分割而非硬分割将注意力机制集成到随机森林模型中。MHASRF模型在不同树之间分配不同的注意力权重，使注意力能够聚焦于特定的患者行为。该模型表现出93.72%的准确率、94.77%的特异度、90.23%的精确率、89.38%的召回率、91.54%的F1分数和AUC 97.87%，展示了在各指标上的高且均衡的性能，整体优于决策树、随机森林、逻辑回归和朴素贝叶斯模型。此外，MHASRF能够通过两个层级的特征重要性（树层级和注意力机制层级）识别患者爽约的关键预测因子，提供了对患者爽约预测因子的更深入见解。所提出的模型是一种稳健、可适应且可解释的患者爽约预测方法，将有助于医疗服务提供者优化资源。