生理和生物生物标志物的频繁时间模式及其在败血症中的演变

科学领域:

• 生物医学信息学 生物医学信息学
• 计算生物学 计算生物学
• 关键护理医学 关键护理医学

背景情况:

• 败血症是一个重大的全球健康挑战,发病率和死亡率很高.
• 早期的败血症鉴定对于预防不可逆转的器官功能障碍至关重要,但由于症状与其他疾病重叠而复杂.
• 目前的数据驱动性败血症预测模型通常依赖于深度学习,这可能缺乏解释性.

研究的目的:

• 应用时间模式挖掘来识别败血症患者生物标志物的频繁和不断演变的模式.
• 使用这些已识别的时间模式,提高败血症分类的准确性和性能.
• 提高毒症预测模型的临床可解释性.

主要方法:

• 利用时间模式挖掘来分析来自败血症患者的生理和生物生物标志物数据.
• 开发了包含已识别的时间模式作为特征的分类模型.
• 将拟议方法的性能与现有方法进行比较.

主要成果:

• 时间模式挖掘方法提高了败血症预测准确性和性能高达7%.
• 确定了导致败血症发生的关键特征,包括血小板,乳酸和肌素水平的波动.
• 突出了与脏和代谢器官系统相关的不断变化的模式.

结论:

• 时间模式挖掘为早期败血症检测和预测提供了一种有价值的方法.
• 鉴定出的模式提高了模型的解释性,为毒症进展提供了临床相关的见解.
• 这种方法改进了传统的深度学习模型,通过在败血症生物标志物分析中提供更大的解释性.