Mejora de la predicción del riesgo cardiovascular: desarrollo de un modelo avanzado de Xgboost con efectos aleatorios a nivel hospitalario
Autores: Dong, Tim; Oronti, Iyabosola Busola; Sinha, Shubhra; Freitas, Alberto; Zhai, Bing; Chan, Jeremy; Fudulu, Daniel P.; Caputo, Massimo; Angelini, Gianni D.
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Mejora de la predicción del riesgo cardiovascular: desarrollo de un modelo avanzado de Xgboost con efectos aleatorios a nivel hospitalario
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Modelos basados en árboles en conjunto
Xgboost
Medicina cardiovascular
Modelo de efectos mixtos
Efectos a nivel de hospital
Mortalidad a los 30 días
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 28
Citaciones: Sin citaciones
Los hallazgos sugieren que integrar efectos mixtos en modelos de aprendizaje automático puede mejorar su rendimiento en conjuntos de datos donde el tamaño de la muestra es pequeño.
Descripción
Los hallazgos sugieren que integrar efectos mixtos en modelos de aprendizaje automático puede mejorar su rendimiento en conjuntos de datos donde el tamaño de la muestra es pequeño.