基于不平衡数据的 ICU 医疗相关感染预测建模：使用集成学习与基于聚类的欠采样方法
机器学习
2020-05-08 v1 机器学习
摘要
鉴于医院环境获得性感染对患者死亡率和医疗成本的影响，当前卫生系统中及早发现易感染患者是一项挑战。本工作聚焦于通过机器学习方法识别风险因素并预测重症监护病房中的医疗相关感染。其目的是支持旨在降低感染发生率的决策。在该领域中，有必要解决从不平衡数据集构建可靠分类器的问题。我们提出了一种基于聚类的欠采样策略，与集成分类器结合使用。为验证我们的方案，使用来自 4616 名患者的数据进行了比较研究。我们将若干单一与集成分类器分别应用于原始数据集以及经不同重采样方法预处理的数据。结果通过专为不平衡数据分类设计的经典与近期指标进行分析。结果表明，与其他方法相比，该方案更为高效。
引用
@article{arxiv.2005.03582,
title = {Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach},
author = {Fernando Sánchez-Hernández and Juan Carlos Ballesteros-Herráez and Mohamed S. Kraiem and Mercedes Sánchez-Barba and María N. Moreno-García},
journal= {arXiv preprint arXiv:2005.03582},
year = {2020}
}