RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Emergency Department Triage Prediction of Emergency Severity Index using Machine Learning Models
KTH, Skolan för elektroteknik och datavetenskap (EECS).
KTH, Skolan för elektroteknik och datavetenskap (EECS).
2019 (engelsk)Independent thesis Basic level (degree of Bachelor), 10 poäng / 15 hpOppgaveAlternativ tittel
Akutmottagningens förutsägelse av Emergency Severity Index med hjälp av Maskininlärningsmodeller (svensk)
Abstract [en]

Study Objective: The emergency department (ED) in the United States strongly rely on subjective assessment of patients. This study seeks to evaluate an electronic triage system based on machine learning models that can predict the patients emergency severity index (ESI).

Methods: A dataset containing 560 486 patients triage data was investigated.Three different machine learning models was tested and evaluated. A crossvalidation table and a confusion matrix was conducted from each of the models. The precision rate, recall rate and f1-score were calculated and reported.

Result: The Gradient Boosting model returned an accuracy rate of 68%. The random forest model returned an accuracy rate of 66%. The Gaussian Naive Bayesmodel returned an accuracy rate of 25%.

Conclusion: The model that best predicted the ESI-level is the GradientBoosting model. Further testing is needed with better computational power since we could not train our model with the whole dataset.

Abstract [sv]

Syfte: Akutmottagningen i USA förlitar sig kraftigt på en subjektiv värdering av patienter. Denna studie söker efter att evaluera ett elektronisk triage systembaserad på maskininlärningsmodeller som kan förutse patienters ESI.

Metod: Ett data set som innehåller 560 486 patienters triage data har undersökts. Tre olika maskininlärningsmodeller har testats och evaluerats. En cross validation tabell och en confusion matrix har skapats för varje modell. Precision, recall och f1 värde har kalkylerats och rapporterats.

Resultat: Gradient Boosting modellen har returnerat ett accuracy värde av 68%. Random Forest modellen har returnerat ett accuracy värde av 66%. Gaussian Naive Bayes modellen har returnerat ett accuracy värde av 25%.

Slutsats: Modellen som har bäst förutsett ESI nivåerna är Gradient Boostingmodellen. Flera tester behövs med starkare beräkningskraft då vi inte kunde träna vår modell med hela datasetet.

sted, utgiver, år, opplag, sider
2019. , s. 34
Serie
TRITA-EECS-EX ; 2019:341
Emneord [en]
Machine Learning, Triage, ESI, Classification
Emneord [sv]
Maskininlärning, ESI, Klassificering
HSV kategori
Identifikatorer
URN: urn:nbn:se:kth:diva-259402OAI: oai:DiVA.org:kth-259402DiVA, id: diva2:1351508
Utdanningsprogram
Master of Science in Engineering - Computer Science and Technology
Veileder
Examiner
Tilgjengelig fra: 2019-09-16 Laget: 2019-09-16

Open Access i DiVA

fulltext(827 kB)21 nedlastinger
Filinformasjon
Fil FULLTEXT01.pdfFilstørrelse 827 kBChecksum SHA-512
961e4508d3567d1f41682dfccfa51df682cb26db48935ebc0ded6d3691b4f360f3962e7207228667ce1448abc3cac89c6ec6cb9e6acfc437a64bc86448dcef47
Type fulltextMimetype application/pdf

Av organisasjonen

Søk utenfor DiVA

GoogleGoogle Scholar
Totalt: 21 nedlastinger
Antall nedlastinger er summen av alle nedlastinger av alle fulltekster. Det kan for eksempel være tidligere versjoner som er ikke lenger tilgjengelige

urn-nbn

Altmetric

urn-nbn
Totalt: 76 treff
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf