基于过程挖掘的预处理步骤对关键健康结果预测的影响
机器学习
2024-07-04 v1 人工智能
摘要
预测关键健康结果（如患者死亡率和住院再入院率）对于提高存活率至关重要。然而，医疗数据集存在许多并发事件，导致复杂性增加，从而引起预测效果差。因此，对数据进行预处理至关重要，以提高其质量。本研究使用现有的预处理算法（concatenation）来提高数据质量，通过降低数据集的复杂性。从MIMIC III和University of Illinois医院数据库中提取了16个医疗数据集，转换为事件日志，然后输入concatenation算法。预处理后的事件日志被输入Split Miner (SM)算法以生成过程模型。使用以下指标评估过程模型质量：适应度、精确度、F值和复杂性。在应用concatenation算法之前和之后，都使用Area Under the Curve (AUC)和置信区间(CI)比较了预测结果。结果表明，concatenation算法提高了过程模型和关键健康结果预测的质量。
引用
@article{arxiv.2407.02821,
title = {Effect of a Process Mining based Pre-processing Step in Prediction of the Critical Health Outcomes},
author = {Negin Ashrafi and Armin Abdollahi and Greg Placencia and Maryam Pishgar},
journal= {arXiv preprint arXiv:2407.02821},
year = {2024}
}