雅赞·F·鲁马尼。;雅曼·鲁马尼;约瑟夫·恩旺帕（Joseph K.Nwankpa）。;莫汉·坦尼鲁 对心脏重症监护病房的再入院进行分类。 （英语） Zbl 1462.62685号 安·Oper。物件。 263，编号1-2，429-451（2018）. 总结：研究表明，重症监护室（ICU）再次入院与发病率和死亡率增加相关。重新入院的患者在医院间转院时也会出现并发症。此外，由于其出乎意料的性质，再入院增加了ICU的成本和管理ICU的复杂性。现有的ICU再入院研究主要使用logistic回归来确定哪些患者更有可能再次入院。然而，此类研究并没有考虑到数据的不平衡性，即感兴趣的类别（再入院患者）是少数群体。本文实证比较了三种处理不平衡ICU再入院数据的方法：误分类成本比、合成少数过采样技术（SMOTE）和随机欠采样。我们使用了三种分类技术来识别在同一住院时间内更有可能重新入院ICU的患者：支持向量机、C5.0和logistic回归。我们使用召回率、特异性、准确性、F测度、G均值、混淆熵和接收器操作特征曲线下的面积来评估这三种方法的分类性能。我们的结果表明，SMOTE是解决数据不平衡性的最佳方法。敏感性分析确定长期通气、肾功能衰竭和肺炎是ICU再入院的前三个预测因素。我们的研究结果可用于开发决策支持工具，以帮助ICU临床医生和管理人员识别更有可能再次入院的患者，从而为患者提供适当的护理，以最大限度地降低其再次入院风险。 引用于2文件 MSC公司： 62页第10页 统计学在生物学和医学中的应用；元分析 62号05 可靠性和寿命测试 62J12型 广义线性模型（逻辑模型） 关键词：不平衡数据;数据挖掘;重症监护室;重新接纳;发病和死亡风险;逻辑回归 软件：SMOTE公司;伦敦银行支持向量机;LIBLINEAR银行 PDF格式BibTeX公司 XML格式引用 \textit{Y.F.Roumani}等人，Ann.Oper。第263号决议，编号1--2，429--451（2018；Zbl 1462.62685） 全文： 内政部 参考文献： [1] 巴斯蒂，E；库泽，C；Delen，D，使用决策树和支持向量机分析首次公开募股的短期绩效，决策支持系统，73，15-27，（2015）·doi:10.1016/j.dss.2015.02.011 [2] 贝克曼，U；吉利斯，DM；SM Berenholtz；吴，AW；Pronovost，P，与危重患者院内转移有关的事件，重症监护医学，301579-1585，（2004）·doi:10.1007/s00134-004-2177-9 [3] CC布拉克斯顿；雷利，PM；施瓦布，CW，《旅行重症监护病房患者：公路旅行》，《北美外科诊所》，80，949-956，（2000）·doi:10.1016/S0039-6109（05）70107-9 [4] Bujlow，T.、Riaz，T.和Pedersen，J.M.（2012）。一种基于C5的网络流量分类方法。0机器学习算法。在2012年国际计算、网络和通信会议（第237-241页）。 [5] AJ坎贝尔；JA厨师；Adey，G；伯克希尔哈撒韦·卡斯伯斯顿，《预测重症监护出院后的死亡和再次入院》，《英国麻醉杂志》，100656-662，（2008）·doi:10.1093/bja/aen069 [6] Chang，CC；Lin，CJ，LIBSVM：支持向量机库，ACM智能系统与技术事务（TIST），2，27，（2011） [7] 内华达州查拉；鲍耶，KW；霍尔，LO；Kegelmeyer，WP，SMOTE:合成少数人过采样技术，《人工智能研究杂志》，16，321-357，（2002）·Zbl 0994.68128号 [8] 内华达州查拉；贾普科维奇，N；Kolcz，A，编辑：关于从不平衡数据集学习的特刊，SIGKDD Explor，6，1-6，（2004）·数字对象标识代码：10.1145/1007730.1007733 [9] 库珀，GS；加利福尼亚州西里奥；罗通迪，AJ；Shepardson，LB；罗森塔尔，通用电气公司，《再次入院重症监护室是否是衡量医院绩效的有用指标？》？，医疗，37，399-408，（1999）·doi:10.1097/00005650-199904000-00009 [10] Elliott，M；Worral-Carter，L；Page，K，《重症监护再入院：文献综述》，《重症和危重症护理》，30，121-137，（2014）·doi:10.1016/j.iccn.2013.10.005 [11] Fakhry，SM公司；莱昂，S；德里安，C；Al-Harakeh，H；Ferguson，PL，创伤患者的重症监护室反弹：对意外返回重症监护室的分析，创伤和急性护理外科杂志，741528-1533，（2013）·doi:10.1097/TA.0b013e31829247e7 [12] 风机，R-E；Chang，K-W；谢家杰；王，X-R；Lin，C-J，LIBLINEAR:大型线性分类库，机器学习研究杂志，91871-1874，（2008）·Zbl 1225.68175号 [13] Fialho，A.S.、Kaymak，U.、Cismondi，F.、Vieira，S.M.、Reti，S.R.、Sousa，J.M.和Finkelstein，S.N.（2013年）。使用概率模糊系统预测重症监护室再次入院。在2013年IEEE模糊系统国际会议（FUZZ），，（第1-7页）。 [14] 菲亚略，AS；西斯蒙迪，F；山姆·维埃拉（SM Vieira）；Reti，SR；吉咪·索萨；Finkelstein，SN，使用出院时的临床生理学进行数据挖掘以预测ICU再入院，应用专家系统，39，13158-13165，（2012）·doi:10.1016/j.eswa.2012.05.086 [15] Garcia，M.N.M.、Robledo，J.G.、Gonzalez，F.M.、Hernandez，F.S.和Barba，M.S.（2014）。重症监护病房多发伤患者死亡率预测的机器学习方法——处理不平衡和高维数据。在E.Corchado、J.A.Lozano、H.Quintián和H.Yin（编辑）中，智能数据工程和自动学习-IDEAL 2014（第309-317页）。施普林格国际出版公司。 [16] Gorunescu，F.（2013）。数据挖掘：概念、模型和技术柏林：施普林格。 [17] 格伦伯格，DA；西谢尔顿；罗斯，SL；车辙，AE；Socaris，S；McGee，G，《影响重症监护室住院时间的因素》，《美国重症监护杂志》，第15期，第502-509页，（2006年） [18] Hastie，T.、Tibshirani，R.、Friedman，J.、Hastie、T.和Friedmon，J.（2009年）。统计学习的要素（第2卷第1期）。纽约：施普林格·Zbl 1273.62005年 ·doi:10.1007/978-0-387-84858-7 [19] He，H；Garcia，EA，从不平衡数据中学习，IEEE知识与数据工程汇刊，211263-1284，（2009）·doi:10.1109/TKDE.2008.239 [20] Japkwoicz，北；Stephen，S，《阶级失衡问题：系统研究》，《智能数据分析》，第6429-449页，（2002）·Zbl 1085.68628号 [21] RJ Jarden；Quirke，S，《改善院内运输的安全性和文件记录：为危重患者开发院内运输工具》，《重症监护护理》，26，101-107，（2010）·doi:10.1016/j.iccn.2009.12.007 [22] Kantardzic，M.（2011年）。数据挖掘：概念、模型、方法和算法纽约：Wiley·Zbl 1232.68001号 ·doi:10.1002/9781118029145 [23] Kleinbaum，D.、Kupper，L.、Nizam，A.和Rosenberg，E.（2013）。应用回归分析和其他多变量方法（第5版）。波士顿：Cengage Learning。 [24] Lemnaru，C.和Potolea，R.（2012年）。不平衡分类问题：系统研究、问题和最佳实践。在R.Zhang、J.Zhang、Z.Zhang和J.Filipe&J.Cordeiro（编辑）中，企业信息系统（第35-50页）。柏林：斯普林格。 [25] Litmathe，J；Kurt，M；Feindt，P；游戏，E；Boeken，U，《心脏手术后ICU再入院的预测因素和结果》，胸心血管外科，57391-394，（2009）·doi:10.1055/s-0029-1185852 [26] 刘，Y；Loh、HT；Sun，A，《不平衡文本分类：术语权重法》，《应用专家系统》，36，690-701，（2009）·doi:10.1016/j.eswa.2007.10.042 [27] 洛佩兹，V；费尔南德斯，A；Moreno-Torres，JG；Herrera，F，《不平衡分类的预处理与成本敏感学习分析》。内在数据特征的开放问题，应用专家系统，39，6585-6608，（2012）·doi:10.1016/j.eswa.2011.12.043 [28] 瓦内斯，我；施韦贝尔，C；法国，A；布鲁尔，C；菲利帕特，F；Vesin，A；Misset，B，预测重症监护病房出院后短期死亡或再次入院的模型，《重症监护杂志》，27，10，（2012）·doi:10.1016/j.crc.2011年8月03日 [29] Oztekin，A；德伦，D；Turkyilmaz，A；Zaim，S，《基于机器学习的电子学习系统可用性评估方法》，决策支持系统，56，63-73，（2013）·doi:10.1016/j.dss.2013.05.003 [30] Pronovost，PJ；李约瑟，DM；水，H；Birkmeyer，CM；Calinawan，JR；Birkmeyer，法学博士；Dorman，T，《重症监护室医生配置：跨越标准的财务建模》，《危重病护理医学》，第32期，第1247-1253页，（2004年）·doi:10.1097/01.CCM.000128609.98470.8B [31] 伦顿，J；Pilcher，DV；圣塔玛利亚，JD；斯托，P；贝利，M；哈特，G；Duke，G，《澳大利亚再次入院重症监护风险增加的相关因素》，重症监护医学，371800-1808，（2011）·文件编号：10.1007/s00134-011-2318-x [32] 鲁马尼，YF；5月，JH；支柱，DP；Vargas，LG，《对高度不平衡的ICU数据进行分类》，《医疗管理科学》，第16期，第119-128页，（2013年）·doi:10.1007/s10729-012-9216-9 [33] 加利福尼亚州肖尔，寻找避免重症监护室再次入院的答案：我们是否陷入了“第22个陷阱”？，危重病护理医学，40，295-296，（2012）·doi:10.1097/CCM.0b013e31823d77fd [34] Seref，O.、Razzaghi，T.和Xanthopoulos，P.（2014）。加权松弛支持向量机。运筹学年鉴, \(1\), 1-37. ·Zbl 1404.68118号 [35] 塞维姆，C；奥兹特金，A；巴厘岛，O；Gumus，S；Guresen，E，《开发预警系统以预测货币危机》，《欧洲运筹学杂志》，2371095-1104，（2014）·doi:10.1016/j.jor.2014.02.047 [36] Shrivastava，H.、Huddar，V.、Bhattacharya，S.和Rajan，V.（2015）。不平衡分类：一种基于相似性的呼吸衰竭预测方法。在2015年IEEE生物信息学和生物医学国际会议（BIBM）（第707-714页）。 [37] 通甘，J；徐，G；张，Y；黄，F，通过改进训练空间实现乳腺癌生存率预测模型，应用专家系统，3612200-12209，（2009）·doi:10.1016/j.eswa.2009.04.067 [38] Ting，KM，诱导成本敏感树的实例加权方法，IEEE知识与数据工程汇刊，14659-665，（2002）·doi:10.1109/TKDE.2002.1000348 [39] Visa，S.和Ralescu，A.（2005年）。挖掘不平衡数据集的问题——一篇综述论文。第十六届中西部人工智能和认知科学会议论文集（第67-73页）。 [40] Voigt，LP公司；Pastores，SM；罗夫，ND；泰勒，HT；Halpern，NA，《大型临床系列综述：危重病患者的院内转运：结果、时机和模式》，《重症监护医学杂志》，24，108-115，（2009）·doi:10.1177/0885066608329946 [41] 王，S；简，W；Tsui，K-L，基于新损失函数的调整支持向量机，运筹学年鉴，174，83-101，（2010）·Zbl 1185.90163号 ·doi:10.1007/s10479-008-0495-y [42] 魏，吉咪；袁，XJ；胡，QH；Wang，SQ，评估分类器的新方法，应用专家系统，37，3799-3809，（2010）·doi:10.1016/j.eswa.2009.11.040 [43] 吴，X；库马尔五世；JR昆兰；戈什，J；杨，Q；Motoda，H；Steinberg，D，《数据挖掘十大算法》，《知识与信息系统》，第14期，第1-37页，（2008年）·doi:10.1007/s10115-007-0114-2 [44] Xanthopoulos，P.、Pardalos，P.和Trafalis，T.B.（2012年）。稳健的数据挖掘纽约：Springer。 [45] Yen，S；Lee，Y，不平衡数据分布的基于聚类的欠采样方法，应用专家系统，36，5718-5727，（2009）·doi:10.1016/j.eswa.2008.06.108 [46] Zolfaghar，K.、Verbist，N.、Agarwal，J.、Meadem，N.，Chin，S.C.、Roy，S.B.和Reed，L.（2013）。预测充血性心力衰竭患者再入院风险：多层方法。预打印. 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。