Zagregowane modele dyskryminacyjne i regresyjne w prognozowaniu czasu pobytu na OIOM pacjentów z chorobą wieńcową

• Autorzy: Małgorzata Misztal

Warianty tytułu

Aggregation of Discriminant and Regression Models for Prediction of ICU Length of Stay Among Patients with Cad

• Języki publikacji: PL

Abstrakty

W pracy [Misztal 2007] podjęto próbę analizy i prognozowania czasu pobytu na Oddziale Intensywnej Opieki Medycznej (OIOM) 4642 pacjentów poddanych operacyjnemu leczeniu choroby niedokrwiennej serca w 12 klinikach kardiochirurgicznych W Polsce w latach 2003-2005. Celem referatu było porównanie ośrodków z punktu widzenia czasu pobytu pacjenta na OIOM oraz wyodrębnienie zestawu przedoperacyjnych czynników ryzyka mających wpływ na przedłużony czas pobytu na OIOM. (fragment tekstu)

EN

In the work [Misztal 2007] the classification and regression trees were applied to indicate preoperative risk factors associated with prolonged ICU stay among patients with coronary artery disease treated surgically. The results were not satisfying. The reason could be that single tree was not a stable classifier. The aggregation of classification or regression trees into the ensembles of classifiers can lead to a more accurate prediction. In the paper aggregated tree-based models (bagging, boosting, random forest, BART) are applied to improve the accuracy of the prediction of lCU length of stay among patients with CAD. (original abstract)

Słowa kluczowe

PL

Analiza dyskryminacyjna; Modele regresji; Opieka zdrowotna; Metody statystyczne; Modele dyskryminacyjne

EN

Discriminant analysis; Regression models; Health care; Statistical methods; Discriminatory models

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2008
• Tom: 15
• Numer: nr 7 (1207) Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 316-322

Twórcy

autor

Małgorzata Misztal

• Uniwersytet Łódzki

Bibliografia

• Breiman L. (1996), Bagging Predictors, „Machine Learning", 24(2), s. 23-140.
• Breiman L (1998), Arcing Classifiers, „The Annals of Statistics", 26(3), s. 801-824.
• Breiman L. (2001), Random Forests, „Machine Learning" 45(1), s. 5-32.
• Buhlmann P., Yu B. (2003), Boosting with the L2 Loss: Regression and Classification, „Journal of the American Statistical Association", 98, s. 324-339.
• Chan K.-Y., Loh W.-Y. (2004), LOTUS: An Algorithm for Building Accurate and Comprehensible Logistic Regression Trees, „Journal of Computational and Graphical Statistics", vol. 13, issue 4, s. 826-852.
• Chipman H.A., George E.I., McCulloch R.E. (2006), BART: Bayesian Additive Regression Trees, Technical report, University of Chicago.
• Freund Y., Schapire R.E. (1997), A Decision-theoretic Generalization of On-line Learning and an Application to Boosting, „Journal of Computer and System Sciences" 55, s. 119-139.
• Friedman J., Hastie T., Tibshirani R. (2000), Additive Logistic Regression: A Statistical View of Boosting, „The Annals of Statistics", vol. 28, nr 2, s. 337-407.
• Gatnar E. (2003), O pewnej metodzie redukcji błędu klasyfikacji, [w:] Taksonomia 10, red. K. Jajuga, M. Walesiak, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 988, AE, Wrocław, s. 245-253.
• Kim H., Loh W.-Y. (2001), Classification Trees With Unbiased Multiway Splits, „Journal of the American Statistical Association" 96, s. 598-604.
• Koronacki J., Ćwik J. (2005), Statystyczne systemy uczące się, WNT, Warszawa.
• Loh W.-Y. (2002), Regression Trees with Unbiased Variable Selection and Interaction Detection, „Statistica Sinica", vol. 12, s. 361-386.
• Metody statystycznej analizy wielowymiarowej w badaniach marketingowych (2004), red. E. Gatnar, M. Walesiak, AE, Wrocław.
• Misztal M. (2007), Wybrane metody analizy i prognozowania czasu pobytu na OIOM pacjentów z chorobą wieńcową, [w:] Taksonomia 14, red. K. Jajuga, M. Walesiak, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 1169, AE, Wrocław, s. 288-296.