基于域自适应的医院管理住院时长预测
机器学习
2023-06-30 v1
摘要
住院时长 (LoS) 是一项重要的管理指标，若可提前获知，便可用于高效规划入院、分配资源并改善护理。利用历史患者数据与机器学习技术，可开发 LoS 预测模型。在伦理上，这些模型不能替代科室主管用于患者出院，但对于负责有效医院规划的医院管理系统而言极为必要。因此，预测系统的设计应适配真实的医院环境。在本研究中，我们通过应用域自适应来利用从潜在源域学到的信息，在入院科室的细粒度层面上预测早期医院 LoS。从 eICU-CRD 与 MIMIC-IV 中分别提取了来自 8 个和 9 个重症监护室的 110,079 与 60,492 次患者停留的时变数据。这些数据被输入长短期记忆网络与全连接网络以训练源域模型，其权重被部分或完全迁移以启动目标域的训练。Shapley Additive exPlanations (SHAP) 算法被用于研究权重迁移对模型可解释性的影响。与基准相比，所提出的权重迁移模型在某些目标域上显示出统计显著的预测精度提升（介于 1% 与 5% 之间）以及计算时间缩短（至多 2 小时）。因此，所提方法提供了一种适配医院管理的临床决策支持系统，可通过伦理委员会、计算基础设施与时间来简化数据访问流程。
引用
@article{arxiv.2306.16823,
title = {Length of Stay prediction for Hospital Management using Domain Adaptation},
author = {Lyse Naomi Wamba Momo and Nyalleng Moorosi and Elaine O. Nsoesie and Frank Rademakers and Bart De Moor},
journal= {arXiv preprint arXiv:2306.16823},
year = {2023}
}