使用机器学习方法预测急诊室中儿科患者的分组
Manal Ahmed Halwani1, Ghada Merdad2, Miada Almasre3
1Pediatric Emergency Unit, Department of Emergency, College of Medicine, King Abdulaziz University, Jeddah, Kingdom of Saudi Arabia. mahalawani@kau.edu.sa.
International journal of emergency medicine
|March 11, 2025
概括
机器学习模型显著提高了急救部门 (ED) 的分拣准确性. 斯朴贝叶斯实现了最高的整体表现,提高了患者的优先级和护理交付.
科学领域:
- 紧急医疗 紧急医疗
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
背景情况:
- 有效的急救部门 (ED) 性能取决于强大的患者分拣系统.
- 传统的方法,如加拿大选和敏度度量 (CTAS) 可以引入主观性和延迟.
- 客观和一致的分类对及时和适当的患者护理至关重要.
研究的目的:
- 评估六种机器学习 (ML) 模型,用于预测ED分类水平.
- 用CTAS框架评估国王阿卜杜勒阿齐兹大学医院内的模型性能.
- 为了确定最准确的ML模型用于ED分类预测.
主要方法:
- 收集和处理了7125个ED患者记录.
- 开发并比较了六种ML模型:KNN,SVM,DT,RF,GNB和LightGBM.
- 基于CTAS级别的准确性,精度和回忆的评估模型.
主要成果:
- 斯天真贝叶斯 (GNB) 证明了最高的整体预测准确度 (0.984).
- 支持矢量机 (SVM),随机森林 (RF) 和LightGBM在所有CTAS级别显示一致的精度和回忆.
- 机器学习模型为传统的主观分类方法提供了一个有希望的替代方案.
结论:
- 机器学习模型可以显著提高ED分类的准确性和效率.
- GNB是一个非常有效的模型,用于整体CTAS预测.
- SVM,RF和LightGBM为细微的分拣级别评估提供了可靠的性能.
