Predicting the need for medical care after toxin exposure using SHAP-interpretable gradient boosting
Deze studie toont aan dat interpreteerbare gradient-boosting-modellen, zoals XGBoost, gebaseerd op routineuze data van het gifcentrum van Lyon, nauwkeurige en klinisch relevante voorspellingen kunnen doen over de noodzaak van medische zorg na blootstelling aan gifstoffen, wat kan bijdragen aan een verbeterde triage.