脓毒症的机器学习预测模型

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。