PulseAugur
中
实时 10:59:13
English(EN) An Empirical Study of Machine Learning Robustness and Scalability for Imbalanced Tabular Clinical Data in Emergency and Critical Care

机器学习模型在不平衡临床数据上的评估

作者 PulseAugur 编辑部 · [1 个来源] ·

一项新近发表在arXiv上的研究，探讨了在不平衡临床数据上使用各种机器学习模型预测危重症结局的有效性。研究人员在MIMIC-IV-ED和eICU数据库上评估了包括基于树的方法和基础模型在内的六种模型家族。研究结果表明，虽然XGBoost在eICU数据集上表现最佳，但TabPFN v2.6和TabICL在MIMIC-IV-ED上取得了优异的成绩，这表明没有单一模型能普遍占优。基础模型为资源受限的临床环境提供了有前景的效率-性能权衡。 AI

影响 表明基础模型在处理不平衡数据的临床预测任务中提供了独特的效率-性能权衡。

排序理由 学术论文，详细介绍了机器学习模型在临床数据上的实证研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

机器学习模型在不平衡临床数据上的评估

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yusuf Brima, Marcellin Atemkeng ·

    用于急诊和危重症不平衡表格临床数据的机器学习鲁棒性和可扩展性的实证研究

    arXiv:2512.21602v3 Announce Type: replace Abstract: Every year, millions of patients pass through emergency departments and intensive care units, where clinicians must make high-stakes decisions under time pressure and uncertainty. Machine learning could support prediction of det…

相关实体

相关话题