换一批基于机器学习的重症患者脓毒症实时风险预测模型
Sepsis Real-Time Risk Prediction Model for Intensive Care Unit Patients Based on Machine Learning
摘要脓毒症是人体对感染反应失调导致的器官功能障碍综合症,具有较高的发病率和死亡率.传统的评分系统存在特异性低的问题.本研究基于LightGBM机器学习框架,提出了一种对脓毒症进行早期预测和风险评估的模型,以便对具有脓毒症潜在风险的患者进行及时干预.为了实现该模型,提出基于LASSO特征选择和滑动窗口路径重积分的时间序列特征构建方法,以及基于动态时间规整算法的时间序列聚类采样方法.选择MIMIC-Ⅲ数据库29 239位病人和PhysioNet/CinC 2019挑战赛数据集40 336位病人的临床信息来训练和验证模型.所提出的模型在MIMIC-Ⅲ和PhysioNet/CinC 2019独立测试集上的灵敏度、特异性、操作特征曲线下面积(AUC)分别为0.737 7、0.730 4、0.814 7 和 0.802 6、0.789 1、0.873 0.与目前最先进的 EASP 方法相比,AUC 分别提高了 3.62％和2.83％.本研究模型可以实时预测脓毒症发生的风险,揭示影响脓毒症发生的重要因素,为脓毒症风险人群的及时干预提供依据.
更多相关知识
分类号
R318（医用一般科学）
栏目名称
DOI
10.3969/j.issn.0258-8021.2024.01.001
发布时间
2024-04-28（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引3
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
