提升心力衰竭患者死亡预测性能：面向不平衡临床数据集的预处理方法探索
机器学习
2024-05-29 v1
摘要
心力衰竭（HF）是一种危重病症，其中死亡风险的准确预测对指导患者管理决策起着至关重要的作用。然而，用于 HF 死亡预测的临床数据集常存在类别分布不平衡的问题，带来了显著挑战。本文中，我们探索用于提升 HF 患者一个月死亡预测性能的预处理方法。我们提出了一个包含缩放、异常值处理与重采样作为关键技术的综合预处理框架。我们还采用了一种感知型编码方法，以有效处理临床数据集中的缺失值。我们的研究使用了来自波斯心血管疾病登记系统（PROVE）的具有显著类别不平衡的综合数据集。通过利用恰当的预处理技术与机器学习（ML）算法，我们旨在改善 HF 患者的死亡预测性能。结果显示，对于基于树的模型，特别是随机森林（RF）与 XGBoost（XGB），F1 分数平均提升约 3.6%，MCC 平均提升 2.7%。这证明了我们的预处理方法在处理不平衡临床数据集（ICD）方面的有效性。我们的发现有望指导医疗专业人员做出明智决策并改善 HF 管理中的患者预后。
引用
@article{arxiv.2310.00457,
title = {Enhancing Mortality Prediction in Heart Failure Patients: Exploring Preprocessing Methods for Imbalanced Clinical Datasets},
author = {Hanif Kia and Mansour Vali and Hadi Sabahi},
journal= {arXiv preprint arXiv:2310.00457},
year = {2024}
}
备注
8 pages, accepted in ICMBE2023 Conference