二元高斯联结合成：一种提升基于机器学习的临床决策支持系统以早期预测 CKD 患者透析的新型数据增强技术
应用统计
2024-03-05 v1 人工智能
机器学习
摘要
美国疾病控制与预防中心估计，超过 3700 万美国成年人患有慢性肾病（CKD），但由于早期阶段没有症状，这些患者中有十分之九不知道自己的病情。它对患者的生活质量有重大影响，特别是当其进展到需要透析时。早期预测透析至关重要，因为它可以显著改善患者的预后，并协助医疗保健提供者做出及时和明智的决定。然而，由于数据的不平衡性，开发有效的基于机器学习（ML）的临床决策支持系统（CDSS）用于早期透析预测面临着一个关键挑战。为了应对这一挑战，本研究评估了各种数据增强技术，以了解它们在真实世界数据集上的有效性。我们提出了一种名为二元高斯联结合成（BGCS）的新方法。BGCS 专为二元医疗数据集量身定制，擅长生成反映原始数据分布的合成少数类数据。BGCS 在检测透析患者方面优于传统方法，从而增强了早期透析预测。对于最佳的 ML 模型 Random Forest，BCGS 实现了 72% 的提升，超越了最先进的数据增强方法。此外，我们提出了一个基于 ML 的 CDSS，旨在帮助临床医生做出明智的决定。该 CDSS 利用决策树模型开发，旨在改善患者预后，识别关键变量，从而使临床医生能够做出主动决策，并为未来更可能需要透析的 CKD 患者有效地制定治疗策略。通过全面的特征分析和细致的数据准备，我们确保 CDSS 的透析预测不仅准确而且具有可操作性，为 CKD 的管理和治疗提供了有价值的工具。
引用
@article{arxiv.2403.00965,
title = {Binary Gaussian Copula Synthesis: A Novel Data Augmentation Technique to Advance ML-based Clinical Decision Support Systems for Early Prediction of Dialysis Among CKD Patients},
author = {Hamed Khosravi and Srinjoy Das and Abdullah Al-Mamun and Imtiaz Ahmed},
journal= {arXiv preprint arXiv:2403.00965},
year = {2024}
}