Un modello predittivo di Machine Learning per la sepsi

Introduzione: la previsione tempestiva e accurata dell'insorgenza di sepsi e l'intervento attivo nel trattamento possono migliorare efficacemente la sopravvivenza e il tasso di guarigione dei pazienti con sepsi. Ci sono stati un gran numero di risultati di ricerca sulla previsione della sepsi prodotti da due metodi: il metodo di rilevamento e valutazione della sepsi basato su meccanismi di punteggio clinico e il metodo di rilevamento della sepsi basato sul modello di apprendimento automatico.

Obiettivo: una pre-elaborazione dei dati ragionevole ed efficace può migliorare significativamente la tempestività e l'accuratezza dei modelli di allerta precoce della sepsi. Dati i problemi di elevata dispersione temporale, distribuzione non uniforme e grandi differenze di indicatori comuni di modellazione della previsione della sepsi, lo studio ha proposto un metodo di interpolazione ibrida basato su indicatori di sepsi relativi alla finestra temporale.

Metodi: Lo studio ha progettato il metodo di interpolazione dei dati tradizionale basato su lineare, MGP, media, vicino più vicino e il metodo di interpolazione ibrida (CTWH) basato sulla finestra temporale di correlazione (CTW) proposto nello studio per il confronto sperimentale. Gli esperimenti sono stati eseguiti rispettivamente in set di campioni senza rimozione di dati sperimentali e set di campioni con rimozione dei valori mancanti del 90%. Confrontando le prestazioni dei metodi di interpolazione degli indicatori di sepsi esistenti sullo stesso modello di base, l'efficacia del metodo è stata dimostrata dall'accuratezza e dalla tempestività dei risultati della previsione. Alla fine, i risultati del metodo sperimentale sono stati analizzati e spiegati da una prospettiva clinica.

Significato:

In considerazione delle caratteristiche di elevata dispersione, distribuzione non uniforme e grandi differenze tra le caratteristiche degli indicatori comunemente utilizzati nei modelli di previsione della sepsi, questo studio ha proposto un'efficiente strategia di interpolazione dei dati. Dopo l'eliminazione dei dati mancanti del 90% e dello 0%, il metodo di interpolazione proposto in questo studio ha funzionato meglio dei metodi esistenti come l'interpolazione media e l'interpolazione lineare, KNN, MGP sulla baseline statica e sui modelli di serie temporali. Allo stesso tempo, questo metodo ha anche fornito un'idea per esplorare la lunghezza della finestra di interpolazione e ha supportato lo studio prospettico dell'interpolazione del valore mancante e della pre-elaborazione dei dati.