急诊科就诊的有效预测建模与外生变量影响评估：使用可解释的元学习梯度提升
机器学习
2025-11-11 v1 神经与进化计算
摘要
长期以来，管理者和临床医生一直致力于精确预测急诊科就诊次数，旨在优化资源分配。尽管涌现了大量为精确预测量身定制的 AI 驱动模型，但这项任务仍然是一个艰巨的挑战，受到泛化能力受限、易过拟合和欠拟合、可扩展性问题以及复杂的超参数微调等制约。在本研究中，我们引入了一种新颖的元学习梯度提升器方法，用于精确预测每日急诊科就诊次数，并利用了包含外生变量的综合数据集，这些变量包括来自澳大利亚 ACT 堪培拉医院长达 23 年的社会人口学特征、医疗服务使用、慢性病、诊断和气候参数。所提出的 Meta-ED 由四个基础学习器——Catboost、Random Forest、Extra Tree 和 lightGBoost——以及一个可靠的顶层学习器多层感知机（MLP）组成，通过结合各种基础模型（子学习器）的独特能力来运作。我们的研究通过涉及 23 个模型的广泛比较分析评估了 Meta-ED 模型的有效性。评估结果显示，Meta-ED 在准确率达到 85.7%（95% CI；85.4%，86.0%）以及 10 项评估指标上均表现出相对于其他模型的显著优越性。值得注意的是，与 XGBoost、Random Forest (RF)、AdaBoost、LightGBoost 和 Extra Tree (ExT) 等著名技术相比，Meta-ED 分别展示了 58.6%、106.3%、22.3%、7.0% 和 15.7% 的显著准确率提升。此外，纳入与天气相关的特征表明，就诊人数预测准确率提高了 3.25%。我们研究的令人鼓舞的结果突显了 Meta-ED 作为精确预测每日急诊科就诊人数的基础模型的地位。
引用
@article{arxiv.2411.11275,
title = {Effective Predictive Modeling for Emergency Department Visits and Evaluating Exogenous Variables Impact: Using Explainable Meta-learning Gradient Boosting},
author = {Mehdi Neshat and Michael Phipps and Nikhil Jha and Danial Khojasteh and Michael Tong and Amir Gandomi},
journal= {arXiv preprint arXiv:2411.11275},
year = {2025}
}