用于预测转入儿科重症监护室的集成提升模型
机器学习
2017-07-18 v1 应用统计
机器学习
摘要
我们的工作专注于预测儿科患者从医院普通病房转入儿科重症监护室的问题。利用从两家医疗机构电子健康记录中收集的 5.5 年数据，我们开发了基于自适应提升和梯度树提升的分类器。我们进一步将这些学习到的分类器组合成一个集成模型，并将其性能与依赖专家定义指南的修正儿科早期预警评分 (PEWS) 基线进行比较。为衡量模型泛化能力，我们进行跨机构评估：在一家机构的数据上训练算法，在另一家独立机构的隐藏测试数据集上评估。我们展示了在准确率 (0.77 对 0.69)、灵敏度 (0.80 对 0.68)、特异度 (0.74 对 0.70) 和 AUROC (0.85 对 0.73) 上均优于 PEWS 基线。
引用
@article{arxiv.1707.04958,
title = {An Ensemble Boosting Model for Predicting Transfer to the Pediatric Intensive Care Unit},
author = {Jonathan Rubin and Cristhian Potes and Minnan Xu-Wilson and Junzi Dong and Asif Rahman and Hiep Nguyen and David Moromisato},
journal= {arXiv preprint arXiv:1707.04958},
year = {2017}
}