缺血性中风的医学气象预报:随机森林回归与长期短期记忆模型对比
Yixiu Yang1, Mingjie Zhang2, Jinghong Zhang2
1Department of General Practice, Hainan General Hospital, Hainan Affiliated Hospital of Hainan Medical University, Haikou, 570311, Hainan, China.
International journal of biometeorology
|November 20, 2024
概括
这项研究开发了机器学习模型,使用天气数据预测缺血性中风 (IS) 发作. 长短期记忆 (LSTM) 模型在预测IS事件方面表现出比随机森林更高的准确性.
科学领域:
- 环境健康 环境健康
- 神经学 神经学
- 数据科学是数据科学.
背景情况:
- 缺血性中风 (IS) 是全球死亡和残疾的主要原因.
- 众所周知,气象条件会影响伊斯兰国袭击的发生.
- 对IS的预测模型可以帮助预防和治疗的公共卫生倡议.
研究的目的:
- 开发和比较机器学习和深度学习模型,用于IS攻击的医学气象预测.
- 评估随机森林 (RF) 回归和长短期记忆 (LSTM) 算法在基于气象数据的IS预测中的准确性.
- 评估这些模型对公共卫生应用在IS事件预防中的有用性.
主要方法:
- 从2016年9月18日到2020年12月31日,收集了海口每日IS攻击数据 (住院患者) 和气候数据.
- 利用随机森林 (RF) 回归和长短期记忆 (LSTM) 算法来构建预测模型.
- 使用平均平方误差 (MSE) 和根平均平方误差 (RMSE) 评估模型性能.
主要成果:
- 总共分析了42,849起伊斯兰国袭击事件,在冬季显著下降.
- 射频回归模型实现了MSE的243和RMSE的15.6.
- 在LSTM模型显著优于RF,产生MSE的36和RMSE的6.
结论:
- 根据气象数据,LSTM模型比RF回归模型更准确地预测IS攻击.
- 在考虑当地气候模式的情况下,LSTM模型显示了可接受的准确性来预测IS在一般人口中的攻击.
- 这些发现支持在IS预防策略中使用基于LSTM的医疗气象预报.
