通过使用条件生成对抗网络生成合成数据来改进混合整数时间建模:在重症监护病房预测流体过载的案例研究
Alireza Rafiei1, Milad Ghiasi Rad2, Andrea Sikora3
1Department of Computer Science and Informatics, Emory University, Ste. W302, 400 Dowman Dr., Atlanta, GA, 30322, USA.
Computers in biology and medicine
|November 27, 2023
概括
将合成数据与真实ICU药物数据集成,显著改善了机器学习模型对流体过载的预测. 这种方法提高了模型的性能和灵敏度,为关键护理结果提供了一个有希望的解决方案.
科学领域:
- 关键护理医学 关键护理医学
- 数据科学数据科学数据科学
- 机器学习 机器学习
背景情况:
- 在ICU药物使用中常见的混合整数时间数据挑战了预测模型的性能.
- 在重症患者中,精确预测液体过载对于有效治疗至关重要.
研究的目的:
- 试点测试合成数据与现有的复杂ICU药物数据的整合.
- 为了提高机器学习模型对流体过载的预测准确度.
主要方法:
- 一个回顾性队列研究的ICU患者入院≥72小时.
- 开发四种机器学习算法,以预测流体过载.
- 使用SMOTE和CTGAN生成合成数据,与原始数据相结合.
- 训练模型使用堆叠组合技术与meta-learner.
主要成果:
- 与单独使用原始数据相比,使用合成和原始数据集组合的培训提高了预测模型的性能.
- 该元模型实现了0.83的AUROC,显著提高了灵敏度.
- 超级学习者有效地平衡了绩效指标,并改善了少数群体类别的识别.
结论:
- 合成数据集成是ICU药物数据的新方法,增强机器学习以预测液体过载.
- 这种方法显示了改善其他重症监护结果预测的潜力.
- 超学习者可以优化性能指标之间的权衡,以获得更好的临床预测.
