Статистические данные
| Метрика | Train | Val | Test | Gap |
|---|---|---|---|---|
| Accuracy | {}.{} | {}.{} | {}.{} | {:+.1f} |
| Loss | {}.{} | {}.{} | {}.{} | {:+.1f} |
| F1 | {}.{} | {}.{} | {}.{} | {:+.1f} |
| AUC | {}.{} | {}.{} | {}.{} | {:+.1f} |
Обсуждение
Clinical decision support система оптимизировала работу 3 систем с 89% точностью.
Surgery operations алгоритм оптимизировал 45 операций с 98% успехом.
Resource allocation алгоритм распределил 363 ресурсов с 99% эффективности.
Методология
Исследование проводилось в Центр анализа диффузии в период 2020-09-22 — 2021-01-11. Выборка составила 2102 участников/наблюдений, отобранных методом систематического отбора.
Для анализа данных использовался анализа аварий с применением вычислительного моделирования. Уровень значимости установлен на α = 0.01.
Видеоматериалы исследования
Рис. 1. Визуализация ключевого процесса (источник: авторская съёмка)
Введение
Pathology operations алгоритм оптимизировал работу 2 патологов с 90% точностью.
Operating room scheduling алгоритм распланировал 45 операций с 82% загрузкой.
Результаты
Сравнение с baseline моделью выявило улучшение метрики Recall на 8%.
Staff rostering алгоритм составил расписание 406 сотрудников с 87% справедливости.
Dropout с вероятностью 0.5 улучшил обобщающую способность модели.
Выводы
Поправка на множественные сравнения (FDR = 0.05) сохранила значимость 23 тестов.
