กรอบแมชชีนเลิร์นนิงที่อธิบายได้ด้วย SHAP เพื่อทำนายความพึงพอใจผู้ป่วย: กรณีโรงพยาบาลธรรมศาสตร์เฉลิมพระเกียรติ

ข้อมูลจากบทคัดย่อ

ข้อมูลสำรวจผู้ป่วยนอกจักษุถูกสร้างทั้งโจทย์สองกลุ่มและสามกลุ่ม แล้วเปรียบเทียบ Random Forest, Gradient Boosting, XGBoost, CatBoost และ LightGBM ด้วย nested cross-validation โดยแก้ความไม่สมดุลเฉพาะชุดฝึก Gradient Boosting ร่วม G-SMOTENC ทำได้ดีที่สุดในโจทย์สองกลุ่ม ส่วน Random Forest เด่นในสามกลุ่ม SHAP ชี้ว่าระยะเวลาอยู่ในบริการมีส่วนต่อคำทำนายมากที่สุด รองด้วยข้อมูลประชากรและการมาใช้บริการ ผลช่วยตั้งประเด็นปรับกระบวนการ แต่ SHAP อธิบายโมเดล ไม่พิสูจน์ว่าเวลารอเป็นสาเหตุ และโมเดลจากแผนกเดียวต้องตรวจภายนอกกับข้อมูลผลลัพธ์ที่ไม่เกิด leakage ก่อนใช้บริหารทรัพยากร

เหตุผลที่อยู่ในฐานติดตาม

ระเบียนนี้ได้รับ Impact Signal 74/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย

ประเด็นที่เกี่ยวข้อง: Patient Satisfaction in Healthcare · Customer Service Quality and Loyalty · Customer churn and segmentation