在基于机器学习的预测模型中处理类不平衡:喘管理中的案例研究

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 肺部病理学 肺部病理学

背景情况:

• 喘发作预测工具可以改善患者的治疗结果.
• 机器学习 (ML) 模型用于喘预测,由于严重的阶级不平衡,面临着挑战.
• 在喘预后中,有效处理类失衡对于可靠的ML模型至关重要.

研究的目的:

• 系统地比较类不平衡处理技术,以预测喘风险.
• 评估合成少数群体过量采样技术 (SMOTE) 和成本函数定制的性能.
• 确定改善基于ML的喘预后模型的最佳方法.

主要方法:

• 利用来自MIMIC-IV数据库的9,835名喘患者的数据.
• 应用了五类不平衡处理方法,包括SMOTE和成本函数定制.
• 开发并比较了逻辑回归 (LR) 和极端梯度提升 (XGBoost) 模型,用于三个具有不同类失衡比率的预测任务.

主要成果:

• 在所有预测任务中,成本函数定制显著优于基于SMOTE的方法.
• 具有成本函数定制的XGBoost在最不平衡的结果中实现了最高的预测性能 (AUC = 0.72).
• 这项研究证明了成本函数定制的优越性,而不是喘管理预测的过量采样.

结论:

• 成本函数定制是一种比过量采样更有效的策略,用于解决喘预测中的类不平衡.
• 改进的ML模型可以导致早期的喘发作警告,提高患者的管理和生活质量.
• 这种方法的进步为开发更准确的喘临床预测工具提供了解决方案.