基于经典机器学习与神经网络模型预测神经科ICU患者住院时长：MIMIC-IV 数据集基准研究
机器学习
2025-05-26 v1
摘要
ICU 是一个处理危及生命案件的关键医院部门。如今，机器学习（ML）正在广泛应用于医疗保健领域。近年来，ICU 管理成为医院功能中的重要组成部分（主要但不仅限于全球范围内的 COVID-19 大流行）。本研究探索了多种 ML 方法用于预测神经科患者住院时长（LOS），基于 MIMIC-IV 数据集。所评估的模型包括经典 ML 算法（K 近邻、随机森林、XGBoost 和 CatBoost）以及神经网络（LSTM、BERT 和时间注意力融合转换器）。鉴于 LOS 预测常被建模为分类任务，本研究将 LOS 分为三个组：不到两天、不到一周以及一周以上。作为首个针对神经科疾病患者进行 LOS 预测的 ML 方法，本研究不旨在超越现有方法，而是评估其在特定情境中的有效性。研究发现为改善 ICU 资源管理和患者护理提供了见解。根据结果，随机森林模型在静态数据上表现优于其他模型，准确率为 0.68，精确率为 0.68，召回率为 0.68，F1 分数为 0.67。而 BERT 模型在时间序列数据上优于 LSTM 模型，准确率为 0.80，精确率为 0.80，召回率为 0.80，F1 分数为 0.80。
引用
@article{arxiv.2505.17929,
title = {Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV},
author = {Alexander Gabitashvili and Philipp Kellmeyer},
journal= {arXiv preprint arXiv:2505.17929},
year = {2025}
}