Comparison of machine learning algorithms for improved admission prediction of the emergency department patients
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İzmir Bakırçay Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışma acil servise başvuran hastaların yatışının tahmin edilmesi için farklı makine öğrenmesi yöntemlerinin karşılaştırılmasını amaçlamaktadır. Çalışmada Lojistik Regresyon, Yapay Sinir Ağları ve RUSBoost Ağaçlar (Random Under-Sampling Boosted Trees) makine öğrenmesi yöntemleri kullanılarak geliştirilen altı farklı modele yönelik tahmin performansları incelenmektedir. Her bir algoritma ile, hasta yatışını ilgilendiren bağımlı değişkenin dengesiz ve dengeli olarak dağıldığı farklı eğitim setleri kullanılarak iki ayrı model eğitilmiştir. Modeller çeşitli performans metrikleri kullanılarak karşılaştırılmıştır. Yapay Sinir Ağları ve dengeli veriseti kullanılarak eğitilen model, 0,88 doğruluk oranı, 0,84 hassasiyet, 0,90 özgüllük, 0,81 F1 skoru ve 0,94 AUC ile en başarılı tahmin performansını göstermiştir.
This study aims to predict emergency-department patient admissions using machine learning methods. The study examines the predictive ability of six different models developed using machine learning algorithms, including Logistic Regression, Artificial Neural Networks (ANN), and Random Under-Sampling Boosted Trees (RUSBoost). Two separate models were trained for each algorithm, using imbalanced and balanced train sets. The models were compared based on their ability to predict hospital admission of emergency-department patients using multiple performance metrics. The best-performing model, which utilized the ANN approach, demonstrated an accuracy of 0.88, sensitivity of 0.84, specificity of 0.90, F1 score of 0.81, and AUC of 0.94.
This study aims to predict emergency-department patient admissions using machine learning methods. The study examines the predictive ability of six different models developed using machine learning algorithms, including Logistic Regression, Artificial Neural Networks (ANN), and Random Under-Sampling Boosted Trees (RUSBoost). Two separate models were trained for each algorithm, using imbalanced and balanced train sets. The models were compared based on their ability to predict hospital admission of emergency-department patients using multiple performance metrics. The best-performing model, which utilized the ANN approach, demonstrated an accuracy of 0.88, sensitivity of 0.84, specificity of 0.90, F1 score of 0.81, and AUC of 0.94.
Açıklama
Anahtar Kelimeler
Yönetim Bilişim Sistemleri, Management Information Systems
