利用机器学习对有学习障碍和多种长期健康状况的患者进行公平的住院时长预测
机器学习
2024-11-14 v1 应用统计
摘要
根据英国及其他国家已发表的研究报告，与普通人群相比，有学习障碍的人群死亡率和过早死亡风险更高。本研究利用来自SAIL Databank的电子健康记录（EHR）数据源，分析了威尔士地区9618名被识别为有学习障碍和长期健康状况的患者的住院情况。我们描述了研究队列的人口统计学特征、长期健康状况的患病率、用药史、就诊史和生活方式史，并应用机器学习模型来预测该队列的住院时长。随机森林（RF）模型实现了0.759（男性）和0.756（女性）的曲线下面积（AUC），0.224（男性）和0.229（女性）的假阴性率，以及0.690（男性）和0.689（女性）的平衡准确率。在检查了不同种族群体的模型性能后，我们应用了两种偏差缓解算法（阈值优化和使用指数化梯度的reductions算法）来最小化性能差异。阈值优化器算法优于reductions算法，在男性队列的不同种族群体中实现了更低的假阳性率和平衡准确率范围。这项研究证明了在EHR数据源上应用带有有效偏差缓解方法的机器学习模型，通过解决群体间的数据不平衡问题，实现公平预测住院时长的潜力。
引用
@article{arxiv.2411.08048,
title = {Equitable Length of Stay Prediction for Patients with Learning Disabilities and Multiple Long-term Conditions Using Machine Learning},
author = {Emeka Abakasanga and Rania Kousovista and Georgina Cosma and Ashley Akbari and Francesco Zaccardi and Navjot Kaur and Danielle Fitt and Gyuchan Thomas Jun and Reza Kiani and Satheesh Gangadharan},
journal= {arXiv preprint arXiv:2411.08048},
year = {2024}
}
备注
13 pages of article with 9 figures; Supplementary material follows after article with 27 pages and 27 figures