对高级肺癌的低倍数DRG分类的比较模型
Mingming Yu1,2, Yanxi Zhang3,4
1School of Economics and Management, Shanghai Technical Institute of Electronics & Information, Shanghai, China.
Frontiers in public health
|September 29, 2025
概括
机器学习模型可以准确地预测晚期肺癌的低倍数诊断相关组 (DRG). 随机森林优秀,住宿的成本和长度是人口统计数据的关键预测指标.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 晚期肺癌患者的护理涉及复杂的诊断相关组 (DRG) 和资源分配.
- 准确预测低乘数DRG对于医疗保健的财务管理和质量评估至关重要.
研究的目的:
- 为了比较各种机器学习模型在晚期肺癌中低倍数DRG的预测性能.
- 确定最佳的机器学习算法和影响这些预测的关键因素.
主要方法:
- 使用了四种机器学习算法:逻辑回归,混合天真贝叶斯,支持矢量机 (SVM) 和随机森林.
- 用AUC,准确度和精度等指标评估模型性能.
- 确定了关键的贡献特征,以了解预测驱动因素.
主要成果:
- 随机森林算法表现出卓越的性能,实现了最高的AUC,准确性和精度.
- 与成本相关的特征和住院时间长度是比人口因素 (例如性别,年龄) 更重要的预测因素.
结论:
- 对于晚期肺癌患者的DRG分类有合理的结构,有助于子组分析.
- 预测模型表明潜在的升级编码和药物不充分使用,需要监控检查费和药物成本.
- 较大的数据集增强了模型稳定性;算法选择取决于分析目标 (精度为随机森林,回忆为后勤回归/SVM).
