利用RF-CatBoost的重大传染病患者入住ICU优先级预测模型

重大传染病患者入住重症加强护理病房(ICU)优先级预测是合理安排医疗资源的关键所在,因此备受医疗及其相关部门的高度重视。采用Sírio-Libanês数据智能团队公开的原始数据集,通过构建随机森林(Random Forest, RF)和CatBoost算法相结合的混合模型对重大传染病重症患者入住ICU优先级进行预测。应用RF算法提取20个重要特征,并通过网格搜索算法确定CatBoost算法最优参数组合,从而得到RF-CatBoost的优化模型。为了证明该模型的优越性,与朴素贝叶斯、决策树、神经网络算法和支持向量机进行比较分析。结果表明:该模型的精确率、召回率和F1值均为0.9,高于其他四种智能方法,预测时间为0.0083秒也相对较短。该模型能快速且精准预测重大传染病重症患者入住ICU优先级,提高医疗效率,促进医疗资源的合理分配。

基于CatBoost的患者住院优先级预测模型

为有效评估患者的病情程度,精准确定患者的住院优先级,快速高效地利用有限的医疗资源,文章通过对来自Sírio-Libanês数据智能团队公开的原始数据集进行数据预处理和分析,运用SHAP组件对显著的特征进行提取,基于CatBoost算法对模型进行训练并评估性能,最终实现患者住院优先级预测模型,其准确率达90%,并优于随机森林、支持向量机和朴素贝叶斯这3种传统机器学习模型。