基于人工神经网络与决策树模型的巴西医院临床恶化预测
机器学习
2022-12-20 v1
摘要
早期识别临床恶化（CD）对于患者免于病情加重或死亡至关重要。电子健康记录（EHRs）数据已被广泛用于早期预警评分（EWS），以衡量住院患者的CD风险。近期，EHRs数据已被用于机器学习（ML）模型，以预测死亡率和CD。与EWS相比，ML模型在CD预测中展现出更优越的性能。由于EHRs数据是结构化的表格数据，通常采用传统的ML模型，而评估人工神经网络在EHRs数据上性能的工作较少。因此，本文使用一种极度增强的神经网络（XBNet）来预测CD，并将其性能与eXtreme Gradient Boosting（XGBoost）和随机森林（RF）模型进行比较。为此，我们使用了来自13家巴西医院的103,105个样本生成模型。此外，还采用主成分分析（PCA）来验证其是否能提升所采用模型的性能。在10折交叉验证方法下，通过准确率、精确率、召回率、F1分数和几何平均（G-mean）等指标，评估了ML模型和一种EWS候选方案——改良早期预警评分（MEWS）在CD预测中的性能。实验表明，XGBoost模型在巴西医院数据中预测CD取得了最佳结果。
引用
@article{arxiv.2212.08975,
title = {Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models},
author = {Hamed Yazdanpanah and Augusto C. M. Silva and Murilo Guedes and Hugo M. P. Morales and Leandro dos S. Coelho and Fernando G. Moro},
journal= {arXiv preprint arXiv:2212.08975},
year = {2022}
}
备注
8 pages