Um modelo preditivo de aprendizado de máquina para sepse

Introdução: A previsão oportuna e precisa da ocorrência de sepse e a intervenção ativa no tratamento podem efetivamente melhorar a sobrevida e a taxa de cura de pacientes com sepse. Houve um grande número de resultados de pesquisa sobre a previsão de sepse produzida por dois métodos: o método de detecção e avaliação de sepse baseado em mecanismos de pontuação clínica e o método de detecção de sepse baseado em modelo de aprendizado de máquina.

Objetivo: O pré-processamento de dados razoável e eficaz pode melhorar significativamente a pontualidade e a precisão dos modelos de alerta precoce de sepse. Dados os problemas de alta dispersão de tempo, distribuição desigual e grandes diferenças de indicadores comuns de modelagem de previsão de sepse, o estudo propôs um método de interpolação híbrida com base em indicadores de sepse relacionados à janela de tempo.

Métodos: O estudo desenhou o método tradicional de interpolação de dados baseado em linear, MGP, média, vizinho mais próximo e o método de interpolação híbrida (CTWH) baseado em janela de tempo de correlação (CTW) proposto no estudo para comparação experimental. Os experimentos foram realizados respectivamente em conjuntos de amostras sem remoção de dados experimentais e conjuntos de amostras com 90% de remoção de valores ausentes. Ao comparar com o desempenho dos métodos de interpolação de indicadores de sepse existentes no mesmo modelo de linha de base, a eficácia do método foi comprovada pela precisão e pontualidade dos resultados de previsão. No final, os resultados do método experimental foram analisados ​​e explicados numa perspetiva clínica.

Significado:

Tendo em vista as características de alta dispersão, distribuição desigual e grandes diferenças entre características de indicadores comumente usados ​​em modelos de predição de sepse, este estudo propôs uma estratégia eficiente de interpolação de dados. Após a eliminação dos dados ausentes de 90% e 0%, o método de interpolação proposto neste estudo teve um desempenho melhor do que os métodos existentes, como interpolação média e interpolação linear, KNN, MGP na linha de base estática e nos modelos de séries temporais. Ao mesmo tempo, este método também forneceu uma ideia para explorar o comprimento da janela de interpolação e apoiou o estudo prospectivo da interpolação de valores ausentes e pré-processamento de dados.