Perbandingan Algoritma Machine Learning Untuk Survivabilitas Dan Biaya Pengobatan Pasien Kanker Paru-Paru Di Taiwan

Abstract

Tingkat survivabilitas kanker paru-paru rendah di Taiwan selama tiga dekade terakhir, senilai sekitar lima belas persen untuk tingkat kelangsungan hidup lima tahun. Kanker paru-paru prognose pada tahap awal sebelum menjadi lebih parah adalah hal yang penting. Selain itu, biaya pengobatan untuk kanker paru-paru tinggi. Ini berada di tempat keempat di Taiwan untuk biaya medis paling mahal. Prediksi harapan hidup, terkait dengan biaya, diperlukan untuk meningkatkan tingkat kelangsungan hidup dan keseimbangan biaya dari pasien kanker paru-paru. Harapan hidup dan informasi biaya akan membantu rumah sakit atau dokter memberikan pengobatan efektif terbaik untuk pasien kanker paru-paru. Dalam penelitian ini, kami menyediakan algoritma perbandingan pembelajaran mesin yang dibantu dengan 10 cross validation dan feature selection untuk memprediksi kemampuan bertahan hidup dan pengeluaran medis pasien kanker paru-paru dari tahun 2000-2010. Cox Proportional Hazard digunakan untuk menentukan variabel prediktor penyakit kronis terbaik. Analisis tren akan dilakukan dengan KaplanMeier untuk analisis kelangsungan hidup dan mengetahui variabel dari pemanfaatan sebelumnya yang memiliki dampak langsung terhadap pengeluaran medis. Hasilnya menegaskan bahwa Decision Tree memiliki kinerja optimal untuk memprediksi kemampuan bertahan dan pengeluaran pasien kanker paru-paru untuk semua tahap, baik dalam pemilihan fitur atau tidak, dari akurasi, penarikan, dan skor F1 selalu menghasilkan di atas 90%.