利用机器学习模型预测数字医疗分诊面试的结果
人工智能
2025-04-17 v1
摘要
许多现有的医疗分诊系统基于问卷，引导患者根据所提供信息（如症状、病史和紧急程度）回答问题后，指向合适的护理水平。此类系统通常使用确定性模型和预定义规则来确定护理水平。面临挑战在于 incomplete 分诊面试，因为其只能帮助完成流程的患者。在本研究中，我们探讨使用机器学习（ML）预测未完成面试的结果，以提升患者护理和服务质量。从 incomplete 数据预测分诊结果对于患者安全和医疗效率至关重要。我们的发现表明，决策树模型，特别是 LGBMClassifier 和 CatBoostClassifier，在预测 complete 面试时实现了 80% 以上的准确率，且预测准确率与面试完成程度呈线性相关。例如，LGBMClassifier 在面试完成率为 100% 时达到 88.2% 预测准确率，在 80% 完成率时为 79.6%，在 60% 完成率时为 58.9%，在 40% 完成率时为 45.7%。TabTransformer 模型在所有完成程度上都实现了 80% 以上的准确率，但需要大量训练时间，表明需要更强大的计算资源。该研究突出了面试完成程度与决策树模型预测能力之间的线性关系。
引用
@article{arxiv.2504.11977,
title = {Leveraging Machine Learning Models to Predict the Outcome of Digital Medical Triage Interviews},
author = {Sofia Krylova and Fabian Schmidt and Vladimir Vlassov},
journal= {arXiv preprint arXiv:2504.11977},
year = {2025}
}
备注
8 pages, 4 figures, 8 tables