急诊科未完成治疗离院患者的研究:一种优化的可解释机器学习框架
人工智能
2022-12-23 v1
摘要
未完成治疗离院(LBTC)患者在急诊科(ED)中十分常见。该问题构成医疗法律风险并可能导致收入损失。因此,理解导致患者在治疗完成前离开的因素,对于缓解并潜在消除这些不良影响至关重要。本文提出一个研究急诊科中影响 LBTC 结果因素的框架。该框架集成了机器学习、元启发式优化与模型解释技术。元启发式优化用于超参数优化——这是机器学习模型开发的主要挑战之一。采用三种元启发式优化算法来优化极端梯度提升(XGB)的参数,分别为模拟退火(SA)、自适应模拟退火(ASA)与自适应禁忌模拟退火(ATSA)。优化后的 XGB 模型用于预测急诊科治疗中患者的 LBTC 结果。所设计的算法使用特征选择阶段产生的四组数据组进行训练与测试。预测性能最佳的模型使用 SHaply Additive exPlanations (SHAP) 方法进行解释。结果表明,ATSA-XGB 优于其他模型配置,其准确率、曲线下面积(AUC)、灵敏度、特异度与 F1 分数分别为 86.61%、87.50%、85.71%、87.51% 与 86.60%。各特征影响的大小与方向均通过 SHAP 方法确定并解释。
引用
@article{arxiv.2212.11879,
title = {A Study of Left Before Treatment Complete Emergency Department Patients: An Optimized Explanatory Machine Learning Framework},
author = {Abdulaziz Ahmed and Khalid Y. Aram and Salih Tutun},
journal= {arXiv preprint arXiv:2212.11879},
year = {2022}
}