• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International FLINS Conference >Predicting length of stay in intensive care unit using ensemble learning methods
【24h】

Predicting length of stay in intensive care unit using ensemble learning methods

机译：使用整体学习方法预测重症监护室的住院时间

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This study aimed to construct an ensemble learning-based model for predicting prolonged length of stay in intensive care unit (pLOS-ICU) for general ICU patients. We used medical information mart for intensive care (MIMIC) III database for model development and validation. We constructed five models: customized simplified acute physiology score (SAPS) II model, classification and regression trees (CART) model, random forest (RF) model, adaptive boosting (AdaBoost) model, and light gradient boosting machine (LightGBM) model for pLOS-ICU prediction. A five-fold cross validation was adopted to evaluate prediction performance of the five models. Results suggested that the LightGBM model achieved the best overall performance, discrimination, and calibration among the five models. The calibration curve of the LightGBM model was an optimal fitting. The LightGBM-based pLOS-ICU prediction model has great potential to support ICU physicians in patient management and medical resource allocation.
机译：这项研究旨在构建一个基于整体学习的模型，以预测普通ICU患者在重症监护病房（pLOS-ICU）的长期住院时间。我们使用重症监护医学信息中心（MIMIC）III数据库进行模型开发和验证。我们构建了五个模型：定制的简化急性生理评分（SAPS）II模型，分类和回归树（CART）模型，随机森林（RF）模型，自适应增强（AdaBoost）模型以及用于pLOS的光梯度增强机（LightGBM）模型-ICU预测。采用五重交叉验证来评估五个模型的预测性能。结果表明，LightGBM模型在这五个模型中获得了最佳的总体性能，辨别力和校准能力。 LightGBM模型的校准曲线是最佳拟合。基于LightGBM的pLOS-ICU预测模型在支持ICU医师进行患者管理和医疗资源分配方面具有巨大潜力。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号