使用传统和深度机器学习来预测急诊室 triage 级别
Mehmet Yıldırım1, Savaş Sezik2, Ayşe Başar3
1Computer Engineering Department, Boğaziçi University, Istanbul, Türkiye.
概括
预测急诊室分类水平是通过机器学习模型改进的. 将患者病史与Word2Vec和BERT等文本嵌入组合起来,可以提高准确性,从而提供更好的患者护理.
科学领域:
- 医疗信息学 医疗信息学
- 自然语言处理自然语言处理.
- 机器学习 机器学习
背景情况:
- 准确的急诊室 (ER) 选对于患者护理和资源管理至关重要.
- 开发ER分拣的预测模型面临挑战,特别是与非英语语言和特定的医疗保健系统.
- 现有的方法往往缺乏对非结构化临床笔记的强有力的处理.
研究的目的:
- 开发和评估机器学习模型,以利用土耳其患者数据预测ER分拣水平.
- 为了比较传统的机器学习算法与深度学习方法的有效性.
- 评估各种文本嵌入技术 (Bag of Words,Word2Vec,BERT) 对模型性能的影响.
主要方法:
- 使用传统的机器学习 (逻辑回归,随机森林,XGBoost) 和深度学习 (CNN,LSTM,注意力机制) 模型.
- 使用 Bag of Words,Word2Vec和BERT嵌入式处理了土耳其患者的非结构化的投诉.
- 纳入结构化数据,包括患者病史和诊断,作为预测模型中的特征.
- 评估了来自土耳其医院急诊室访问的数据集上的模型.
主要成果:
- 嵌入BERT显著改善了神经网络模型的性能.
- 与传统的机器学习模型相比,Word2Vec嵌入式的结果更好.
- 最优的模型,XGBoost与Word2Vec嵌入式,实现了86.7%的AUC,81.5%的准确性和68.7%的加权F1得分.
- 整合患者病史和文本嵌入,大大提高了预测准确度.
结论:
- 文本嵌入和机器学习方法对于预测ER分类水平是有效的.
- 采用 Word2Vec 嵌入式的 XGBoost 模型表现出卓越的性能.
- 纳入患者病史和先进的文本处理技术对于在各种医疗环境中提高分拣预测准确性至关重要.
