脓毒症的机器学习预测模型
脓毒症儿童风险的机器学习模型
及时、准确地预测脓毒症的发生,积极干预治疗,可有效提高脓毒症患者的生存率和治愈率。
使用机器学习和自然语言处理,我们希望开发模型来 1) 识别所有住院的败血症儿童,以及 2) 对他们进行分层以区分死亡风险高的人 b) 你将如何开展工作? 从上海医院和 MIMIC III,我们将从电子健康记录中开发一个非常大的所有医疗条件(包括败血症)入院患者数据集。 这些数据将包括结构化数据,如年龄、性别、药物、实验室值、合并症,以及非结构化数据,如出院摘要和医生记录。 使用数据集,我们将通过自然语言处理和机器学习来训练模型,以识别患有败血症的人,并识别那些死亡风险高的患者。 我们将测试这些模型的能力以确定我们的预测准确性。 然后我们将在其他机构测试这些模型。
研究概览
地位
条件
详细说明
引言:及时、准确地预测脓毒症的发生并积极干预治疗,可有效提高脓毒症患者的生存率和治愈率。 基于临床评分机制的脓毒症检测与评价方法和基于机器学习模型的脓毒症检测方法两种方法对脓毒症的预测产生了大量的研究成果。
目的:合理有效的数据预处理可以显着提高脓毒症早期预警模型的及时性和准确性。 针对常见脓毒症预测建模指标存在时间离散度大、分布不均匀、差异较大等问题,该研究提出了一种基于时间窗相关脓毒症指标的混合插值方法。
方法:研究设计了传统的基于线性、MGP、平均、最近邻的数据插值方法和本文提出的基于相关时间窗(CTW)的混合插值方法(CTWH)进行实验比较。 分别在未去除实验数据的样本集和去除90%缺失值的样本集上进行实验。 通过与现有脓毒症指标插值方法在同一基线模型上的性能对比,从预测结果的准确性和及时性上证明了该方法的有效性。 最后从临床角度对实验方法的结果进行了分析和解释。
意义:
针对脓毒症预测模型中常用指标离散度高、分布不均、特征差异大等特点,本研究提出了一种高效的数据插值策略。 在剔除90%和0%的缺失数据后,本文提出的插值方法在静态基线和时间序列模型上的性能优于均值插值和线性插值、KNN、MGP等现有方法。 同时,该方法也为探索插值窗口长度提供了思路,支持了缺失值插值和数据预处理的前瞻性研究。
研究类型
注册 (预期的)
联系人和位置
学习地点
-
-
Yangpu
-
Shanghai、Yangpu、中国、200092
- 招聘中
- Xinhua Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China
-
接触:
- Xin Sun, PhD
- 电话号码:18902268716
- 邮箱:Doctorsunxin@hotmail.com
-
-
参与标准
资格标准
适合学习的年龄
接受健康志愿者
有资格学习的性别
取样方法
研究人群
描述
纳入标准:
- 诊断为“感染”、“感染性休克”或“败血症”或“败血症”
排除标准:
- 急性上呼吸道感染
- 新生儿
学习计划
研究是如何设计的?
设计细节
研究衡量的是什么?
主要结果指标
结果测量 |
措施说明 |
大体时间 |
---|---|---|
脓毒症的鉴别
大体时间:基线
|
根据Sepsis-III标准筛选脓毒症患者
|
基线
|
合作者和调查者
调查人员
- 首席研究员:Xin Sun, MD、Xinhua Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (预期的)
研究完成 (预期的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
此信息直接从 clinicaltrials.gov 网站检索,没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求,请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改,我们的网站上也会自动更新.