一个基于机器学习的因果关系预测模型,用于中国的骨科医疗失误病例
Qingxin Yang1, Li Luo1, Zhangpeng Lin1
1School of Forensic Medicine, Kunming Medical University, Kunming, China.
PloS one
|April 17, 2024
概括
机器学习模型在医疗失误案件中确定因果关系方面表现有前途. 在真实数据上,XGBoost实现了66%的准确性,这表明法律识别意见的可靠性有所提高.
科学领域:
- 法律信息学 法律信息学
- 医学法学医学法学.
- 计算法 计算法 计算法
背景情况:
- 在医疗失误中确定因果关系是复杂的.
- 目前的方法可能缺乏科学严谨性和可靠性.
- 机器学习为客观分析提供了潜力.
研究的目的:
- 评估机器学习的可行性和有效性,以确定医疗失误中的因果关系.
- 提高法律鉴定意见的科学性和可靠性.
- 探索各种机器学习算法的预测性能.
主要方法:
- 从PKULAW.COM收集了13,245个判决,选了963个案件.
- 选择了21个医学因素和10个患者因素作为特征变量.
- 在真实和虚拟数据集上使用随机森林,XGBoost和LightGBM开发了因果关系预测模型.
主要成果:
- 在真实数据集上,XGBoost实现了66%的准确性.
- 在虚拟数据集上,XGBoost和LightGBM显示了80%的准确性.
- 外部验证的整体准确率为72.7%.
结论:
- 机器学习模型,特别是XGBoost,证明了在医疗失误中准确预测因果关系的潜力.
- 开发的模型为法律识别意见提供了更科学,更可靠的方法.
- 预计进一步的细化和验证将提高预测准确度.
