机器学习算法的评估,以预测医疗专业的选择
David Vicente Alvarez1, Milena Abbiati1,2, Alban Bornet1
1University of Geneva.
Studies in health technology and informatics
|May 17, 2025
概括
机器学习模型可以预测医学学生的专业选择. 关键因素包括外科的兴趣和个性特征,有助于未来的医生劳动力规划.
科学领域:
- 医学教育 医学教育
- 公共卫生 公共卫生
- 计算医学是一种计算医学.
背景情况:
- 在各专业之间公平地分配医生是一个关键的公共卫生问题.
- 传统的统计模型在预测医学学生的职业道路方面存在局限性.
- 了解影响专业选择的因素对于有效的劳动力规划至关重要.
研究的目的:
- 探索机器学习 (ML) 技术,用于预测医学学生在学业早期的专业决策.
- 通过使用ML可解释性方法来确定影响职业选择的关键因素.
- 评估ML在改善医生劳动力规划方面的潜力.
主要方法:
- 评估的监督机器学习模型:支持矢量机器,人工神经网络,XGBoost和CatBoost.
- 利用了来自瑞士和法国的399名医学学生的数据.
- 采用后期解释能力技术来识别影响因素.
主要成果:
- 整体ML方法,特别是CatBoost,表现优于简单的模型.
- CatBoost在接收器运行特征曲线 (AUROC) 下实现了76%的宏观区域.
- 重要的预测因素包括对手术的动机和外向等心理特征.
结论:
- 机器学习为预测医疗职业道路提供了一个有希望的方法.
- ML的解释性可以揭示影响专业选择的关键因素.
- 这些见解可以为更好的医生分配和劳动力规划提供有针对性的干预措施.
