一个机器学习策略来预测高敏度儿童的数量,他们离开急诊室没有被看到
Brandon Kappy1,2, Patrick Butler3, Yiqi Su3
1Division of Emergency Medicine, Children's National Hospital, Washington, District of Columbia, USA.
Journal of the American College of Emergency Physicians open
|January 16, 2026
概括
机器学习模型准确地预测了在急诊室 (ED) 留下没有被看的高急性儿科患者 (LWBS). 这可以帮助针对性干预减少LWBS事件.
科学领域:
- 紧急医疗 紧急医疗
- 数据科学数据科学数据科学
- 儿科护理 儿科护理
背景情况:
- 在儿科急诊室 (ED) 留下的高急性患者 (LWBS) 构成了重大挑战.
- 预测建模可以帮助制定减轻LWBS事件的操作策略.
研究的目的:
- 开发一个操作上有用的机器学习模型,用于预测儿科ED的高急性LWBS患者.
- 确定特定的时间框架,适用于LWBS缓解的运营目标.
主要方法:
- 分析了从2018年到2024年期间的512,616次儿科ED访问.
- 开发和比较六个机器学习模型 (逻辑回归,LASSO,SVM,随机森林,XGBoost,时间融合变压器) 和一个集合模型.
- 时间序列交叉验证使用2018-2023年的数据进行培训和2024年的数据进行测试,重点关注8小时窗口和特定的12PM-8PM时间框架.
主要成果:
- XGBoost和时间融合变压器模型实现了最高的预测性能 (AUC 0.85-0.86) 在8小时窗口内预测2个或更多高急性LWBS患者.
- 这些模型在12PM-8PM的时间框架中也表现最好.
- 多数选票组合并没有改善预测性能.
结论:
- 机器学习模型对儿科ED中高急性LWBS患者表现出强大的预测能力.
- 这些模型可以确定操作干预的最佳时期,以减少LWBS事件.
- XGBoost和时间融合变压器对实时预测和缓解策略有希望.
更多相关视频
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
8.6K
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.9K
