基于特征增强的机器学习在医疗数据中的全因死亡预测
机器学习
2025-03-28 v1 人工智能
机器学习
摘要
准确的患者死亡预测可实现风险分层，从而实现个体化治疗方案并提高患者预后。然而，医疗领域的死亡预测仍是重大挑战，现有研究常聚焦特定疾病或受限的预测变量集合。本研究采用 MIMIC-III 数据库，对使用全因住院死亡预测的机器学习模型进行评估，采用全面的特征工程方法。根据临床经验和文献，我们提取关键特征，包括生命体征（如心率、血压）、实验室结果（如肌酐、葡萄糖）和人口学信息。随机森林模型取得最佳性能，AUC 为 0.94，显著优于其他机器学习和深度学习方法。这表明随机森林在处理高维、嘈杂临床数据方面具有鲁棒性，其潜力用于开发有效的临床决策支持工具。我们的发现凸显了在准确死亡预测中严谨特征工程的重要性。我们进一步讨论了临床应用的意义，并提出未来方向，包括增强模型鲁棒性并为特定疾病定制预测模型。
引用
@article{arxiv.2503.21241,
title = {Feature-Enhanced Machine Learning for All-Cause Mortality Prediction in Healthcare Data},
author = {HyeYoung Lee and Pavel Tsoi},
journal= {arXiv preprint arXiv:2503.21241},
year = {2025}
}