Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Validating Emergency Department Admission Predictions Based on Local Data Through MIMIC-IV

Created by
  • Haebom

저자

Francesca Meimeti, Loukas Triantafyllopoulos, Aikaterini Sakagianni, Vasileios Kaldis, Lazaros Tzelves, Nikolaos Theodorakis, Evgenia Paxinou, Georgios Feretzakis, Dimitris Kalles, Vassilios S. Verykios

개요

본 연구는 그리스 병원의 소규모 지역 데이터셋을 사용하여 개발된 응급실 과밀화 예측 모델을 MIMIC-IV 데이터셋을 활용하여 검증하는 것을 목표로 한다. MIMIC-IV 데이터 전처리 후, LDA, KNN, RF, RPART, SVM Radial 등 5가지 알고리즘을 평가한 결과, Random Forest (RF) 알고리즘이 AUC-ROC 0.9999, 민감도 0.9997, 특이도 0.9999를 달성하며 가장 우수한 성능을 보였다. 이는 RF 알고리즘의 강건성과 MIMIC-IV 데이터셋의 모델 검증 유용성을 보여주며, 응급실 관리 전략 개선에 대한 시사점을 제공한다.

시사점, 한계점

•
시사점:
◦
Random Forest 알고리즘이 응급실 입원 예측에 매우 효과적임을 확인.
◦
소규모 지역 데이터셋 기반 모델의 검증을 위한 MIMIC-IV 데이터셋의 유용성 입증.
◦
응급실 과밀화 관리 전략 개선에 활용 가능한 통찰력 제공.
•
한계점:
◦
MIMIC-IV 데이터셋의 특성(미국 데이터)이 다른 국가 또는 지역의 응급실 환경에 적용 가능한지에 대한 일반화 가능성 제한.
◦
모델의 실제 응급실 환경 적용 및 효과에 대한 추가 연구 필요.
◦
특정 알고리즘에 대한 편향 가능성 존재 (다른 알고리즘과의 비교 분석만으로는 알 수 없음).
👍
Made with Slashpage