基于SHAP和LIME解释性分析的医疗环境舒适度的机器学习预测模型

科学领域:

• 环境科学 环境科学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 患者的舒适度对于治疗结果和康复至关重要.
• 医疗环境需要优化患者的幸福感.
• 环境因素显著影响患者体验.

研究的目的:

• 开发一种机器学习模型,用于预测患者的不适.
• 确定影响医疗输液室患者舒适度的关键环境因素.
• 为智能医疗环境管理提供科学基础.

主要方法:

• 收集了1000个样本,具有11个环境特征.
• 比较了10个机器学习算法,选择了XGBoost.
• 使用SHAP和LIME进行模型解释.

主要成果:

• XGBoost模型实现了85.2%的准确性.
• 空气质量指数和温度被确定为最关键的因素.
• 湿度和噪音水平也显著影响了患者的不适.

结论:

• 机器学习有效地从环境数据中预测患者的不适.
• 解释性分析揭示了环境因素的特定影响机制.
• 这些发现支持个性化的环境控制和智能医疗设施管理.