基于随机森林和支持向量机分类死亡与存活患者
机器学习
2024-12-02 v1
摘要
大数据分析和信息总结是数据挖掘过程的核心。在医疗领域，信息可转换为关于患者历史模式及可能未来趋势的知识。在新冠肺炎疫情期间，对新冠肺炎患者信息的数据挖掘提供了发现患者是否处于高死亡风险信号的机会。新冠肺炎患者因败血性疾病而死亡，这是一种涉及多个器官系统的复杂疾病过程。我们提取了医生最关心的关于病毒性败血性感染的变量。旨在区分存活期住院患者和死亡期住院患者，本研究的作者利用支持向量机 (SVM) 和随机森林 (RF) 分类技术根据患者的人口学特征、实验室检测结果和既往健康状况对患者进行分类。经过 10 折验证后，我们通过接收者运行特征 (ROC) 曲线评估了分类性能，并使用混淆矩阵确定分类器的准确性。我们还对二元因素进行了聚类分析，如患者是否患有既往疾病以及是否识别了败血症，以及来自患者人口学特征和实验室检测结果的数值作为预测因子。
引用
@article{arxiv.2411.18759,
title = {Classification of Deceased Patients from Non-Deceased Patients using Random Forest and Support Vector Machine Classifiers},
author = {Dheeman Saha and Aaron Segura and Biraj Tiwari},
journal= {arXiv preprint arXiv:2411.18759},
year = {2024}
}