根据手术前变量预测心脏病患者的住院时间 - - 贝叶斯模型与机器学习模型
Ibrahim Abdurrab1, Tariq Mahmood1, Sana Sheikh2
1Department of Computer Science, Institute of Business Administration, Karachi 75270, Pakistan.
Healthcare (Basel, Switzerland)
|January 23, 2024
概括
准确预测患者停留时间 (LoS) 对医院效率至关重要. 与简单的贝叶斯和机器学习模型相比,等级贝叶斯回归为心脏病患者提供了更高的LoS预测准确性.
科学领域:
- * 医学信息学 医学信息学
- * 医疗保健服务研究研究
- * 统计建模 * 统计建模
背景情况:
- *准确预测患者停留时间 (LoS) 对医院的运营效率和临床准备至关重要.
- * 手术前的临床特征通常用于LoS估计.
- *现有的统计和机器学习方法在处理数据变化和偏差方面存在局限性.
研究的目的:
- * 评估和比较贝叶斯 (简单和层次) 和机器学习 (ML) 回归模型用于心脏病患者的LoS预测.
- * 评估层次贝叶斯回归在管理数据变化和偏差而不去除异常值时的有用性.
- *为塔巴心脏研究所 (THI) 的患者提供准确的LoS估计.
主要方法:
- *对简单贝叶斯回归,层次贝叶斯回归和ML回归模型进行比较分析.
- * 应用模型来预测THI (2015-2020) 住院的心脏病患者的LoS.
- *使用根平均平方误差 (RMSE) 和平均绝对误差 (MAE) 的评估.
主要成果:
- * 层次贝叶斯回归产生了最低的RMSE (1.49) 和MAE (1.16).
- * 简单的贝叶斯回归显示出更高的误差 (RMSE: 3.36,MAE: 2.05).
- *ML模型的平均误差与简单的贝叶斯回归相比 (RMSE:3.36,MAE:1.98).
结论:
- * 层次贝叶斯回归证明了对心脏病患者的LoS预测的卓越性能.
- * 这种方法有效地处理数据的变化和偏差,提高预测准确度.
- *研究结果支持采用等级贝叶斯回归来改善医院资源管理.
