A novel machine learning model with Stacking Ensemble Learner for predicting emergency readmission of heart-disease patients
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Early detection of heart complications is highly effective in treating patients with cardiovascular diseases. Various machine learning methods have previously been used for the early detection of heart diseases. However, existing data-driven machine learning (ML) approaches fall short of providing efficient and accurate heart disease detection. This misdiagnosis causes significant overcrowding in medical care facilities by patients that do not need emergency readmission or fatalities caused by discharging patients requiring emergency. This study proposes a novel model for detecting emergency readmission of heart disease patients by effectively identifying patients who require emergency assistance before the onset of heart attacks or other heart-related complications. A robust Stacking Ensemble Learner (SEL) is developed using ensemble learning to maximize the detection performance. Our SEL method predicts whether a patient with heart problems is required to get admitted as an emergency case after a preliminary admission. To ensure robustness and high accuracy in the prediction results across multiple runs, the XGBoost is used as a meta-learner in the SEL model. The novelty of this paper lies in (1) the use of behavior-based features to create a new class label for emergency readmission, which has not been previously explored in the existing data-driven machine learning approaches, (2) the paper utilizes a comprehensive private dataset from the MIT Laboratory for Computational Physiology, not adopted in clinical studies on heart failure and cardiovascular disease, and (3) The development of a robust Stacking Ensemble Learner (SEL) using ensemble learning, with XGBoost as a meta-learner, also contributes to the novelty of this study, as it achieves higher prediction performance compared to the baseline models, the use of ensemble learning in the SEL model helps to overcome the limitations of unstable training of the individual classification models. Experimental results show that the stacking model provides high accuracy, Recall, and F1 score compared to the baseline models such as logistic regression, k-nearest neighbor, Decision tree, Random Forest, support vector machines, bagging, and boosting. The SEL model has achieved an accuracy of 88% in predicting emergency readmission of heart-disease patients, which is very promising for the production-ready model in clinical practice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle