Prediction of Hospital Length of Stay with Similarity Based Modelling and Machine Learning Models
Similarity-based predictive models can improve on predictive performance in comparison to a one size fits all approach where all of the training data is used to build models, specifically for model discrimination for binary responses. There is limited application of this method to continuous outcomes and to the area of length-of-stay for intensive care unit (ICU) patients. This work develops a similarity-based model for length-of-stay prediction and combines the similarity-based approach with a few distinct machine learning models. We apply our methodology to ICU patient length-of-stay data in the eICU Collaborative Research Database.
Prévision de la durée d'hospitalisation à l'aide de modèles basés sur la similarité et l'apprentissage automatique
Les modèles prédictifs basés sur la similarité peuvent améliorer les performances prédictives par rapport à une approche unique où toutes les données d'apprentissage sont utilisées pour construire des modèles, en particulier s'agissant de la discrimination des modèles pour les réponses binaires. L'application de cette méthode aux résultats continus et à la durée du séjour des patients en unité de soins intensifs (USI) est limitée. Ce travail développe un modèle basé sur la similarité pour la prédiction de la durée du séjour et combine l'approche basée sur la similarité avec plusieurs modèles distincts d'apprentissage automatique. Nous appliquons notre méthodologie aux données sur la durée du séjour des patients en USI dans la base de données collaborative eICU.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais