通过深度学习数据合成和组合模型,改善了急诊室患者死亡率预测
Byounghoon Son1, Jinwoo Myung2, Younghwan Shin1
1School of Electrical and Electronic Engineering, College of Engineering, Yonsei University, 50 Yonsei-ro, Seodaemun-gu, Seoul, 03722, South Korea.
Scientific reports
|September 12, 2023
概括
机器学习和数据合成改善了急诊室患者死亡率的预测. 斯的Copula和CatBoost模型实现了高准确度,提高了患者护理的紧急性评估.
科学领域:
- 医疗信息学 医疗信息学
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 紧急部门 (ED) 的分类依赖于主观评估,影响患者的紧急评估.
- 需要客观的算法来准确预测患者的死亡率和危急状况.
研究的目的:
- 评估先进的数据合成和机器学习 (ML) 算法,用于预测ED患者的患者死亡率.
- 确定提高F1得分的最有效方法,同时保持接收器操作特征曲线 (AUC) 下的高面积.
主要方法:
- 利用了来自Yonsei Severance医院的7325名ED患者的数据集.
- 应用了各种数据合成技术 (SMOTE,ADASYN,CTGAN,TVAE,CopulaGAN,Gaussian Copula) 来生成合成数据. 在这个过程中,他使用了各种数据合成技术.
- 评估了22个ML模型,包括基于树的深度神经网络和统计算法,以及使用21个患者特征的组合模型.
主要成果:
- 性能最好的模型结合了高斯式Copula数据合成与CatBoost分类器.
- 这种模型的AUC为0.9731和F1得分为0.7059.
- 在评估不平衡医疗数据的表现时,F1评分优先于准确性和AUC.
结论:
- 机器学习算法和数据合成技术显著改善了ED患者的死亡率预测.
- 斯的Copula和CatBoost模型在识别重症患者方面表现出了很高的有效性.
- 客观预测模型提高了紧急护理中紧急评估的准确性.
