Sepsiksen koneoppimisen ennustava malli

Johdanto: Sepsiksen esiintymisen oikea-aikainen ja tarkka ennustaminen ja aktiivinen hoitoon puuttuminen voivat parantaa tehokkaasti sepsispotilaiden eloonjäämistä ja paranemisastetta. Sepsiksen ennustamisesta on tehty suuri määrä tutkimustuloksia kahdella menetelmällä: kliinisiin pisteytysmekanismeihin perustuvalla sepsiksen havaitsemis- ja arviointimenetelmällä sekä koneoppimismalliin perustuvalla sepsiksen havaitsemismenetelmällä.

Tavoite: Kohtuullinen ja tehokas tietojen esikäsittely voi parantaa merkittävästi sepsiksen varhaisvaroitusmallien oikea-aikaisuutta ja tarkkuutta. Ottaen huomioon suuren aikahajonnan, epätasaisen jakautumisen ja yleisten sepsiksen ennustemallinnusindikaattoreiden suuret erot, tutkimuksessa ehdotettiin hybridiinterpolaatiomenetelmää, joka perustuu aikaikkunaan liittyviin sepsisindikaattoreihin.

Menetelmät: Tutkimuksessa suunniteltiin kokeellista vertailua varten perinteinen datainterpolointimenetelmä, joka perustuu lineaariseen, MGP-, keskiarvoon, lähimpään naapuriin ja hybridiinterpolointimenetelmä (CTWH), joka perustuu korrelaatioaikaikkunaan (CTW). Kokeet suoritettiin vastaavasti näytesarjoissa ilman kokeellisen datan poistoa ja näytesarjoissa, joista 90 % puuttui arvoista. Vertaamalla olemassa olevien sepsisindikaattoreiden interpolointimenetelmien suorituskykyyn samalla perusmallilla, menetelmän tehokkuus todistettiin ennustetulosten tarkkuudella ja oikea-aikaisuudella. Lopuksi kokeellisen menetelmän tulokset analysoitiin ja selitettiin kliinisestä näkökulmasta.

Merkitys:

Ottaen huomioon sepsiksen ennustemalleissa yleisesti käytettyjen indikaattoreiden suuren dispersion, epätasaisen jakautumisen ja suuret erot ominaisuuksien välillä, tämä tutkimus ehdotti tehokasta tiedon interpolointistrategiaa. Kun puuttuvat tiedot 90 % ja 0 % oli poistettu, tässä tutkimuksessa ehdotettu interpolointimenetelmä toimi paremmin kuin olemassa olevat menetelmät, kuten keskiarvointerpolointi ja lineaarinen interpolointi, KNN, MGP staattisilla perusviiva- ja aikasarjamalleilla. Samalla tämä menetelmä antoi myös idean tutkia interpolointiikkunan pituutta ja tuki puuttuvien arvojen interpoloinnin ja tietojen esikäsittelyn prospektiivista tutkimusta.