Resource-Conscious Modeling for Next-Day Discharge Prediction Using Clinical Notes
Rattachement africain : us. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Timely discharge prediction is important for surgical unit operations. Using 3,928 postoperative patient notes (32.2% positive), we compared TF-IDF models, sentence embeddings, and LoRA-fine-tuned small language models (SLMs). TF-IDF with LightGBM performed best (F11 = 0.47, AUC = 0.80), while embeddings and SLMs showed limited sensitivity, with only modest recall gains from LoRA. Overall, lightweight and interpretable text models outperformed transformer-based approaches in this imbalanced next-day discharge prediction task.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Resource-Conscious Modeling for Next-Day Discharge Prediction Using Clinical Notes
- Date Crossref
- 21/05/2026
- Éditeur
- IOS Press
- Type
- book-chapter
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.