通过MIMIC-III记录的异质数据集成,改善住院时间的预测

科学领域:

• * 临床信息学和预测分析
• * 卫生服务研究和运营效率.

背景情况:

• * 准确预测住院时间 (LoS) 对于优化医院运作和患者护理至关重要.
• 现有的模型通常依赖于有限的数据类型,这可能会阻碍预测的准确性.

研究的目的:

• 使用多式数据全面评估机器学习模型进行LoS分类.
• * 评估整合结构化临床数据,症状,生理信号和临床注释的影响.
• * 为了比较各种模型和特征减少技术的性能.

主要方法:

• 使用结构特征 (Z),症状 (S),生理信号 (F) 和文本注释 (E) 来构建七个数据配置.
• 应用五种机器学习模型:人工神经网络 (ANN),XGBoost,物流回归 (LR),随机森林 (RF) 和支持向量机器 (SVM).
• * 实施特征选择和合成少数采样技术 (SMOTE) 进行模型优化.

主要成果:

• 只有结构化特征集 (Z) 提供了强的基线表现.
• * 整合额外的数据类型 (S,F,E) 始终提高了预测性能,ZSEF配置取得了最佳结果.
• * XGBoost 和 ANN 模型在不同数据配置中显示出优异的概括性.
• * SMOTE 改善了特定疾病的患者表现,尤其是肺癌患者.

结论:

• 多模式数据集成显著提高了住院时间预测的准确性.
• 在优化预测模型方面,特征减少技术是有效的.
• 机器学习模型,特别是XGBoost和ANN,有望改善医疗资源管理和患者流动.