机器学习算法的比较,用于预测慢性病患者住院时间
Birgül Yabana Kiremit1, Durmuş Özkan Şahin2
1Department of Health Care Management Ondokuz Mayıs University Atakum, Samsun, Turkey.
机器学习模型准确地预测了慢性病患者住院时间 (LOS) 和计费金额. 这些预测有助于医疗保健管理在资源规划和财务可持续性.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 医学数据科学 医学数据科学
背景情况:
- 住院时间 (LOS) 对医疗管理至关重要,影响成本,资源配置和能力规划.
- 慢性病 (CKD) 患者往往有复杂而漫长的治疗过程,需要准确的预测模型来提高运营效率.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测慢性病 (CKD) 患者的住院时间 (LOS) 和医院费用金额.
- 评估特征选择技术对这些ML模型预测性能的影响.
主要方法:
- 利用了来自5583名CKD患者的数据,并使用了11个输入变量.
- 应用了各种ML算法,包括随机森林 (RF),支持矢量机 (SVM),M5P树和物流回归 (LogR).
- 采用特征选择技术来优化模型性能和减轻过度装配.
主要成果:
- 随机森林 (RF) 在账单估计方面取得了最高的表现 (相关系数 (CC) = 0.736).
- 用于LOS预测的ML模型表现出强的性能 (CC>0.848),SVM,M5P和RF的CC达到0.880.
- 后勤回归 (LogR) 在分类LOS (短期/长期) 中表现出色,AUC-ROC为0.944和F-Measure为0.872.
结论:
- 准确预测使用ML的LOS和CKD患者的计费金额,可以显著提高医疗保健管理和财务规划.
- 特征选择至关重要,但需要仔细平衡以保持预测准确性,特别是在分类任务中.
- 该研究为优化资源配置和改善CKD患者医疗保健服务的财务可持续性提供了宝贵的见解.
更多相关视频
09:16Supervised Machine Learning for Semi-Quantification of Extracellular DNA in Glomerulonephritis
Published on: June 18, 2020
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Chronic Kidney Disease III: Interprofessional Care
Chronic Kidney Disease I: Introduction
Chronic Kidney Disease IV: Nursing Management
Acute Kidney Injury III: Clinical Manifestations
Acute Kidney Injury I: Introduction
Acute Kidney Injury IV: Diagnostic Studies and Prevention
