Een voorspellend model voor machinaal leren voor sepsis

Inleiding: Tijdig en nauwkeurig voorspellen van het optreden van sepsis en actief ingrijpen in de behandeling kan de overlevings- en genezingsgraad van patiënten met sepsis effectief verbeteren. Er zijn een groot aantal onderzoeksresultaten over de voorspelling van sepsis geproduceerd door twee methoden: de sepsisdetectie- en evaluatiemethode op basis van klinische scoremechanismen en de sepsisdetectiemethode op basis van een machine learning-model.

Doelstelling: Redelijke en effectieve voorverwerking van gegevens kan de tijdigheid en nauwkeurigheid van modellen voor vroegtijdige waarschuwing van sepsis aanzienlijk verbeteren. Gezien de problemen van hoge tijdsspreiding, ongelijke verdeling en grote verschillen van gemeenschappelijke sepsis-voorspellingsmodelleringsindicatoren, stelde de studie een methode van hybride interpolatie voor op basis van tijdvenster-gerelateerde sepsis-indicatoren.

Methoden: De studie ontwierp de traditionele data-interpolatiemethode op basis van lineair, MGP, gemiddelde, dichtstbijzijnde buur en de hybride interpolatiemethode (CTWH) op basis van correlatietijdvenster (CTW) voorgesteld in de studie voor experimentele vergelijking. Experimenten werden respectievelijk uitgevoerd in sample sets zonder experimentele gegevensverwijdering en sample sets met 90% verwijdering van ontbrekende waarden. Door vergelijking met de prestaties van de bestaande interpolatiemethoden voor sepsisindicatoren op hetzelfde basislijnmodel, werd de effectiviteit van de methode bewezen door de nauwkeurigheid en tijdigheid van de voorspellingsresultaten. Uiteindelijk zijn de resultaten van de experimentele methode vanuit een klinisch perspectief geanalyseerd en toegelicht.

Betekenis:

Gezien de kenmerken van hoge spreiding, ongelijke verdeling en grote verschillen tussen kenmerken van veelgebruikte indicatoren in sepsis-voorspellingsmodellen, stelde deze studie een efficiënte data-interpolatiestrategie voor. Na eliminatie van ontbrekende gegevens van 90% en 0% presteerde de in deze studie voorgestelde interpolatiemethode beter dan de bestaande methoden zoals gemiddelde interpolatie en lineaire interpolatie, KNN, MGP op de statische basislijn en tijdreeksmodellen. Tegelijkertijd bood deze methode ook een idee om de lengte van het interpolatievenster te verkennen, en ondersteunde het de prospectieve studie van ontbrekende waarde-interpolatie en gegevensvoorverwerking.