Classifying Emergency Patients into Fast-Track and Complex Cases Using Machine Learning
Notice bibliographique
Résumé
Abstract Background: Emergency medicine is a lifeline specialty at hospitals that patients head to for various reasons, including serious health problems, traumas, and adventitious conditions. Emergency departments are restricted to limited resources and personnel, which complicates handling all received cases optimally. Therefore, crowded waiting areas and long waiting durations result, which prompts some patients to leave before being examined. Methods: We utilized the databases (MIMIC-IV-ED and MIMIC-IV) to obtain records of patients who visited the Beth Israel Deaconess Medical Center in the USA. Triage and demographic data, dispositions, and length of stay of these individuals were extracted accordingly. Subsequently, the urgency of these cases was inferred based on standards stated in the literature and followed in developed countries, which are less than four-hour lengths of stay besides being discharged at the end of the emergency visit. Five classifying models were established by utilizing logistic regression, random forests, stochastic gradient boosting, classification and regression trees besides multi-layer perceptron algorithms. Results: A comparative framework using the five different machine learning algorithms was developed to classify these patients into two categories where the multi-layer perceptron model outperformed the others. Moreover, the relative importance of the outcome predictors was determined. Conclusions: This study suggests an approach to deal with non-urgent visits and lower overall waiting times at the emergency by utilizing the powers of machine learning to identify fast-track patients and discern them from critical cases.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».