Sirds un asinsrites slimību mirstības riska prognoze nākamajam gadam no anonimizētiem Latvijas veselības aprūpes sistēmas datiem: XGBoost mašīnmācīšanās algoritma iespējamības pārbaude

Autori

DOI:

https://doi.org/10.22364/adz.59.09

Atslēgvārdi:

mašīnmācīšanās, mirstības riska prognoze, XGBoost, sabiedrības veselības dati, Latvija, sirds un asinsvadu slimību mirstības risks

Kopsavilkums

Veselības politikas plānotājiem XGBoost algoritms varētu noderēt slimnīcu un citu veselības aprūpes iestāžu kapacitātes plānošanā un slodzes līdzsvarošanā.

Autora biogrāfija

  • Uģis Sprūdžs

    Uģis Sprūdžs, biznesa vadības maģistrs, ieguvis Chartered Financial Analyst sertifikātu, ir Čikāgas Universitātē izglītots analītikas un datu zinātnes vadības speciālists ar vairāk nekā 20 gadu darba pieredzi Ziemeļamerikas banku un apdrošināšanas sektoros, Rīgas Stradiņa universitātes Attīstības un projektu departamenta Studiju kursu izstrādes eksperts un viesdocents Biznesa, mākslas un tehnoloģiju augstskolā RISEBA, Baltijas studiju veicināšanas apvienības (Association for the Advancement of Baltic Studies) padomes kasieris, kopš 2021. gada ASV Fulbraita (Fulbright) stipendiju programmas speciālists. Pedagoģiskais darbs saistās ar datu zinātnes lietojumu uzņēmumu vadībā un sabiedrības veselības jomā. Čikāgas Universitātē ieguvis biznesa vadības maģistra grādu ekonometrijā un finansēs, ir arī ģermānistikas pedagoģijas maģistrs. Chartered Financial Analyst Institute biedrs. Publicējis rakstus par Imanta Ziedoņa dzeju un par privātpersonu ieguldījumu stratēģijām. Tulkojis literāros darbus no latgaliešu valodas uz angļu valodu.

Atsauces

Chen, T.; Guestrin, C. (2016) XGBoost: A Scalable Tree Boosting System. KDD’16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, August, 785–794. https://doi.org/10.1145/2939672.2939785.

C-Statistic: Definition, Examples, Weighting and Significance (bez datuma). Pieejams: https://www.statisticshowto.com/c-statistic/ (03.10.2023.).

Hageman, S.; Pennells, L.; Ojeda, F.; Kaptoge, S.; Kuulasmaa, K.; de Vries, T.; Xu, Z.; Kee, F.; Chung, R.; Wood, A.; McEvoy, J. W.; Veronesi, G.; Bolton, T.; Dendale, P.; Ference, B. A.; Halle, M.; Timmis, A.; Vardas, P.; Danesh, J.; Graham, I. ... Zhou, B. (2021). SCORE2 risk prediction algorithms: new models to estimate 10-year risk of cardiovascular disease in Europe. European Heart Journal, 42 (25), 2439−2454. https://doi.org/10.1093/eurheartj/ehab309.

OECD / European Observatory on Health Systems and Policies (2019) Latvija: Valsts veselības profils 2019, State of Health in the EU. Paris : OECD Publishing; Brussels : European Observatory on Health Systems and Policies. Pieejams: https://health.ec.europa.eu/system/files/2019-11/2019_chp_lv_latvian_0.pdf (29.09.2023.).

Rossello, X.; Dorresteijn, J. A. N.; Janssen, A.; Lambrinou, E.; Scherrenberg, M.; Bonnefoy-Cudraz, E.; Cobain, M.; Piepoli, M., F.; Visseren, F. L. J.; Dendale P. (2019) Risk prediction tools in cardiovascular disease prevention: A report from the ESC Prevention of CVD Programme led by the European Association of Preventive Cardiology (EAPC) in collaboration with the Acute Cardiovascular Care Association (ACCA) and the Association of Cardiovascular Nursing and Allied Professions (ACNAP). European Journal of Cardiovascular Nursin, 18 (7), 534–544. https://doi.org/10.1177/1474515119856207.

Wiemken, T. L.; Kelley, R. R. (2020) Machine Learning in Epidemiology and Health Outcomes Research. Annual Review of Public Health, 41 (1), 21–36. Pieejams: https://www.annualreviews.org/doi/10.1146/annurev-publhealth-040119-094437.

Lejupielādes

Publicēts

2023-12-12

Žurnāla numurs

Sēj. 59 (2023): Akadēmiskā Dzīve

Sadaļa

Raksti

Licence

Autortiesības (c) 2023 Latvijas Universitāte

Creative Commons License

Šis darbs ir licencēts ar Creative Commons Attribution-NonCommercial 4.0 International licenci.

Kā citēt

Sprūdžs, U. (2023). Sirds un asinsrites slimību mirstības riska prognoze nākamajam gadam no anonimizētiem Latvijas veselības aprūpes sistēmas datiem: XGBoost mašīnmācīšanās algoritma iespējamības pārbaude. Akadēmiskā Dzīve, 59, 88-94. https://doi.org/10.22364/adz.59.09