English(EN) A Comparative Study of Feature Selection Methods for EHR Diagnosis Codes in Opioid Use Disorder Prediction

阿片类药物使用障碍预测的特征选择方法比较

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-06 04:00

研究人员比较了五种使用电子健康记录（EHR）预测阿片类药物使用障碍（OUD）的特征选择方法。研究评估了循环富集、受NTK启发的早期梯度敏感性、LightGBM-SHAP、弹性网络和LLM指导的语义选择。NTK敏感性提供了准确性和稳定性的最佳平衡，而LLM指导的选择提供了补充性的临床见解。 AI

影响这项研究可以提高在临床环境中用于预测阿片类药物使用障碍的AI模型的准确性和可解释性。

排序理由该集群包含一篇详细介绍方法比较研究的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Zihan Ding, Yinan Liu, Tengfei Ma, Rachel Wong, George Leibowitz, Benjamin Littenberg, Xia Zheng, Richard N. Rosenthal, Fusheng Wang · 2026-08-06 04:00

A Comparative Study of Feature Selection Methods for EHR Diagnosis Codes in Opioid Use Disorder Prediction

arXiv:2608.04180v1 Announce Type: new Abstract: Feature selection is a critical step in electronic health record (EHR)-based predictive modeling, where input variables are often high-dimensional, sparse, noisy, and redundant. Large feature sets not only increase computational bur…