紧急部门访问的有效预测建模和评估外源变量影响:使用可解释的元学习梯度提升
在广泛的持续时间内,管理员和临床医生努力精确预测急诊部(ED)的访问,旨在优化资源分配。 尽管为精确预测量身定做的各种人工智能驱动模型激增,但这项任务仍然存在着一项艰巨的挑战,受到诸如抑制通用性,过度拟合和拟合的易感性,可扩展性问题以及复杂的微调超参数等限制因素的困扰。 在这项研究中,我们引入了一种新的Meta-learning梯度助推器(Meta-ED)方法,用于精确预测每日ED访问量,并利用来自澳大利亚澳大利亚首都堪培拉医院23年的社会人口特征,医疗保健服务使用,慢性病,诊断和气候参数。 拟议的Meta-ED由四个基础学习者 - Catboost,Random Forest,Extra Tree和LightGBoost组成,旁边是一个可靠的顶级学习者,多层感知器(MLP),通过结合各种基础模型(子学习者)的独特功能。 我们的研究通过涉及23个模型的广泛比较分析来评估Meta-ED模型的功效。 评估结果表明,Meta-ED在准确性方面优于其他模型,其准确性为85.7%(95%CI ;85.4%,86.0%),以及10个评估指标。 值得注意的是,与XGBoost,Random Forest(RF),AdaBoost,LightGBoost和Extra Tree(ExT)相比,Meta-ED展示了58.6%,106.3%,22.3%,7.0%和15.7%的显着精度增强。 此外,结合天气相关功能表明游客人数的预测准确性提高了3.25%。 我们研究的令人鼓舞的结果强调了Meta-ED作为精确预测每日ED访问者的基础模型。
机器学习神经与演化计算
