用于预测急诊患者入院状态的集成优化与机器学习模型
机器学习
2022-02-21 v1 人工智能
摘要
本工作提出了一个用于优化机器学习算法的框架。该框架的实用性通过医疗保健领域的一个重要案例研究加以说明，即在分诊时使用患者数据预测急诊科 (ED) 患者的入院状态（例如，入院与出院）。所提出的框架可以通过主动规划患者滞留过程来缓解拥挤问题。从美国中西部某医疗保健提供商三个主要地点三年内所有急诊科就诊的电子健康记录数据库中，获取了一个大型回顾性患者记录数据集。提出了三种机器学习算法：T-XGB、T-ADAB 和 T-MLP。T-XGB 集成了极端梯度提升 (XGB) 和禁忌搜索 (TS)，T-ADAB 集成了 Adaboost 和 TS，T-MLP 集成了多层感知机 (MLP) 和 TS。将所提出的算法与使用网格搜索调参的传统算法 XGB、ADAB 和 MLP 进行了比较。使用从不同特征选择方法获得的九个数据组对三种提出算法和原始算法进行了训练和测试。换言之，共开发了 54 个模型。使用五种指标评估性能：曲线下面积 (AUC)、敏感性、特异性、F1 和准确率。结果表明，新提出的算法产生了高 AUC 并优于传统算法。T-ADAB 在新开发的算法中表现最佳。最佳模型的 AUC、敏感性、特异性、F1 和准确率分别为 95.4%、99.3%、91.4%、95.2%、97.2%。
引用
@article{arxiv.2202.09196,
title = {An Integrated Optimization and Machine Learning Models to Predict the Admission Status of Emergency Patients},
author = {Abdulaziz Ahmed and Omar Ashour and Haneen Ali and Mohammad Firouz},
journal= {arXiv preprint arXiv:2202.09196},
year = {2022}
}