利用可解释机器学习预测大流行诱导概念漂移下的患者流量
机器学习
2022-11-03 v1 计算机与社会
摘要
准确预测紧急护理诊所（UCCs）和急诊科（EDs）的患者到达量对于有效资源配置和患者照护十分重要。然而，正确估计患者流量并不简单，因为它依赖于诸多驱动因素。COVID-19大流行状况及由此导致的封控最近进一步复杂化了患者到达的可预测性。本研究探讨了一系列新颖的准实时变量，如谷歌搜索词、行人流量、流感的流行发病率以及COVID-19警戒级别指标，如何既能普遍改善患者流量的预测模型，又能使模型有效适应大流行状况展开过程中的扰动。本研究还独特地通过采用可解释AI（eXplainable AI）领域的工具，比以往更深入地探究模型内部机制，从而贡献于该领域的研究体系。结合机器学习与统计技术的投票集成方法在我们的实验中最为可靠。我们的研究表明， prevailing COVID-19警戒级别特征连同谷歌搜索词和行人流量能有效产生可泛化的预测。本研究的启示是，代理变量可有效增强标准自回归特征，以确保患者流量的准确预测。实验表明，所提特征在未来大流行爆发时潜在可作为保持预测精度的有效模型输入。
引用
@article{arxiv.2211.00739,
title = {Forecasting Patient Flows with Pandemic Induced Concept Drift using Explainable Machine Learning},
author = {Teo Susnjak and Paula Maddigan},
journal= {arXiv preprint arXiv:2211.00739},
year = {2022}
}