EF-Net: A Deep Learning Approach Combining Word Embeddings and Feature Fusion for Patient Disposition Analysis

要約

最も差し迫った問題の 1 つは、高齢化と医療費の増加によって引き起こされる救急部門 (ED) の過密状態です。
病院インフラへの負担と医療リソースの不足により、患者の傾向はより複雑になっています。
より危険な健康上の問題を抱えている人は、優先的に緊急治療室に入る必要があります。
そこで、私たちの研究はEF-Netを用いた患者の素因予測モデルの開発を目的としています。
このモデルは、カテゴリ特徴量をニューラル ネットワーク層に組み込み、埋め込まれたカテゴリ特徴量を使用して数値特徴量を追加します。
EF-Net モデルと XGBoost モデルを組み合わせて、より高い精度の結果を実現します。
結果はソフト投票技術を使用して生成されます。
EF-Net では 95.33% の精度を達成しましたが、アンサンブル モデルでは 96% の精度を達成しました。
実験の分析では、EF-Net が MIMIC-IV-ED データセットの精度、AUROC、F1 スコアの点で既存の研究を上回っていることが示され、患者の性質評価のためのスケーラブルなソリューションとしての可能性が実証されています。
私たちのコードは https://github.com/nafisa67/thesis で入手できます。

要約(オリジナル)

One of the most urgent problems is the overcrowding in emergency departments (EDs), caused by an aging population and rising healthcare costs. Patient dispositions have become more complex as a result of the strain on hospital infrastructure and the scarcity of medical resources. Individuals with more dangerous health issues should be prioritized in the emergency room. Thus, our research aims to develop a prediction model for patient disposition using EF-Net. This model will incorporate categorical features into the neural network layer and add numerical features with the embedded categorical features. We combine the EF-Net and XGBoost models to attain higher accuracy in our results. The result is generated using the soft voting technique. In EF-Net, we attained an accuracy of 95.33%, whereas in the Ensemble Model, we achieved an accuracy of 96%. The experiment’s analysis shows that EF-Net surpasses existing works in accuracy, AUROC, and F1-Score on the MIMIC-IV-ED dataset, demonstrating its potential as a scalable solution for patient disposition assessment. Our code is available at https://github.com/nafisa67/thesis

arxiv情報

提供元, 利用サービス

arxiv.jp, Google