Feature Selection Methods for ICU Mortality Prediction Model
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
The goal of this research is to offer insightful information that can improve Ethiopia's intensive care unit (ICU) services. There is an increased risk of patients' death in Intensive Care Units (ICUs). This is because of several variables, including preexisting medical issues, lack of resources, and delayed decisions. Healthcare professionals can better prioritize their patients in need of intensive care, distribute resources more efficiently, and enhance patient outcomes by using predictive models to estimate ICU mortality. ICU data is collected from five Ethiopian public hospitals to develop a machine learning method for predicting ICU mortality. The data includes demographic features, vital signs, lab results, and discharge status of 10,798 ICU dataset records. We employed a range of feature selection techniques, such as filters, wrappers, and embedding methods, to identify the most crucial features for mortality prediction. We also compared the performance of two machine learning algorithms, Random Forest and Decision Tree. These models are trained using ICU data with features encompassing age, length of stay, temperature, neutrophil, Diagnosis (DX) condition, PH, and Lymphocite. These features are selected using Recursive Feature Elimination (RFE). Using a number of different evaluation methods, including accuracy (99.7%), precision (99.4%), recall (98.8%), F1 score (99.1%), and area under the curve (AUC) (99.3%), Random Forest performed better than Decision Tree. Based on our findings, we made recommendations for healthcare practitioners and policy makers. We also suggest key future research directions for researchers in the area.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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