Data-driven prediction of blood transfusion performance

Abstract

In the era of data-driven healthcare, blood transfusion management has become crucial, with machine learning offering significant enhancements to decision-making and patient care. This project utilizes a dataset from CHU Saint-Étienne, comprising over 50 patient records, which presents challenges such as limited sample size, missing values, and longitudinal complexity. To address these issues, we will evaluate various data imputation methods and benchmark synthetic data generation techniques to improve transfusion outcome predictions. This study aims to identify key predictive features that support more efficient and effective clinical decision-making, ultimately contributing to improved patient safety and resource utilization in blood transfusion management. ***

À l’ère des soins de santé basés sur les données, la gestion des transfusions sanguines est devenue cruciale, avec l’apprentissage automatique apportant des améliorations significatives à la prise de décision et aux soins des patients. Ce projet utilise un ensemble de données du CHU Saint-Étienne, comprenant plus de 50 dossiers de patients, qui présente des défis tels qu’une taille d’échantillon limitée, des valeurs manquantes et une complexité longitudinale. Pour relever ces défis, nous évaluerons diverses méthodes d’imputation de données et comparerons des techniques de génération de données synthétiques afin d’améliorer la prise de décision. Cette étude vise à identifier les caractéristiques prédictives clés qui soutiennent une prise de décision clinique plus efficace et efficiente, contribuant ainsi à une meilleure sécurité des patients et à une utilisation optimisée des ressources dans la gestion des transfusions sanguines.