面向紧急医疗服务数据的阿片类过量预测的机器学习模型实现与评估
机器学习
2025-10-27 v3
摘要
我们 present 在机器学习和时间序列预测领域的努力，以准确预测缅因州紧急医疗服务（EMS）记录的未来疑似阿片类过量次数。预测有助于政府部门正确准备和分配与阿片类过量相关的资源。我们的做法使用疑似阿片类过量接触的县和区级别聚合，并为不同时间间隔预测未来次数。评估了不同复杂度的模型，以最小化预测误差。测试了 various 额外的与阿片类过量和公共卫生相关的协变量，以确定其对模型性能的影响。我们的评估表明，针对不同类型的地区，可生成具有有限误差的有用预测，并且使用常用协变量和相对简单的预测模型可实现高性能。
引用
@article{arxiv.2410.16500,
title = {Implementation and Assessment of Machine Learning Models for Forecasting Suspected Opioid Overdoses in Emergency Medical Services Data},
author = {Aaron D. Mullen and Daniel R. Harris and Peter Rock and Katherine Thompson and Svetla Slavova and Jeffery Talbert and V. K. Cody Bumgardner},
journal= {arXiv preprint arXiv:2410.16500},
year = {2025}
}