LSTM 神经网络与传统机器学习模型在预测糖尿病患者再入院中的比较分析
机器学习
2024-07-01 v1
摘要
糖尿病为一种慢性代谢紊乱，因其高发病率和严重并发症（管理成本高昂）而成为全球主要健康问题。有效管理需要良好的血糖控制和定期门诊随访；然而，患者对预约随访的依从性很差。本研究使用糖尿病 130 家美国医院数据集，对再入院患者进行分析与预测，比较多种传统机器学习模型（如 XGBoost、LightGBM、CatBoost、决策树和随机森林），以及自行开发的 LSTM 神经网络。通过数据预处理确保数据质量，所有模型的性能评估基于准确率、精确率、召回率和 F1 分数。结果显示 LightGBM 是最佳的传统模型，XGBoost 位居第二。LSTM 模型虽在训练准确率较高，但存在过拟合问题。LSTM 的一个主要优势是捕捉患者数据中的时间依赖性。进一步使用 SHAP 值提升了模型可解释性，识别出手术次数和出院方式是再入院预测中的关键因素。该研究表明，模型选择、验证和可解释性是预测性医疗建模的关键步骤，有助于医护人员设计干预措施，提高糖尿病随访依从性和管理效果。
引用
@article{arxiv.2406.19980,
title = {Comparative Analysis of LSTM Neural Networks and Traditional Machine Learning Models for Predicting Diabetes Patient Readmission},
author = {Abolfazl Zarghani},
journal= {arXiv preprint arXiv:2406.19980},
year = {2024}
}