Data-efficient machine learning approach for predicting asthma attack risk

Widana Kankanamge Darsha Jayamini

doi:10.1038/s41598-026-62302-y

Data-efficient machine learning approach for predicting asthma attack risk

2026-07-15

0

OA

AI

W

Widana Kankanamge Darsha Jayamini *

DOI：10.1038/s41598-026-62302-y

原文链接

原文求助

摘要

En 中文

哮喘在2021年全球造成约43.6万人死亡。预测哮喘发作可以挽救生命、降低成本并加强医疗系统。然而，风险预测需要大量数据，而这些数据通常不可用。本研究旨在开发一种最小化数据需求的方法，降低复杂性并使数据有限的环境下更广泛适用。我们采用了CRISP-DM方法论，包括特征选择策略、机器学习算法和数据不平衡处理技术的组合。共构建了120个模型。模型性能基于准确性和效率进行评估。表现最佳的模型进行了外部验证。关键发现是，当结合欠采样技术时，LR和XGB模型在基于XGB-RUS模型生成的特征重要性进行特征选择时表现更优。即使包括过去一年哮喘发作次数和SABA_ICS比率的少数特征，也能达到合理的性能水平。通过严格实验，我们在多种场景中实现了高准确率。我们提出了6个特征集，其中FS1表现最佳，而FS6仅使用两个特征便达到了合理性能。本文对预测哮喘发作风险的数据需求进行了全面分析。这将提高临床环境中使用简化特征集的预测模型的接受度。

Data-efficient machine learning approach for predicting asthma attack risk

摘要

期刊

机构

引用论文