机器学习用于败血症预测-特征工程策略和模型性能的范围审查:迈向可解释性的一步
Sherali Bomrah1,2,3, Mohy Uddin4, Umashankar Upadhyay1,2,5
1Graduate Institute of Biomedical Informatics, College of Medical Science and Technology, Taipei Medical University, No. 291, Zhongzheng Rd, Zhonghe District, New Taipei City, 235, Taiwan.
Critical care (London, England)
|May 27, 2024
概括
特性工程,特别是提取,显著提高了机器学习模型的准确性,用于预测败血症. 这通过利用生命体征和实验室值来提高早期检测和患者的结果.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 临床数据科学 临床数据科学
背景情况:
- 败血症是一种危及生命的疾病,需要及时识别以防止死亡.
- 机器学习 (ML) 模型对败血症预测有希望,但特征工程的作用尚未得到充分探索.
- 有效的特征选择和提取对于提高ML模型在败血症预测中的性能至关重要.
研究的目的:
- 通过使用各种ML模型来确定败血症预测的关键特征.
- 通过AUROC,灵敏度和特异性等性能指标评估ML模型的有效性.
- 突出特征工程在败血症预测中的重要性.
主要方法:
- 对29项涉及1,147,202名患者的研究进行了范围审查,涉及各种临床环境.
- 分析不同的ML模型和特征工程技术来预测败血症.
- 使用诸如AUROC (接收器操作特征曲线下的面积),灵敏度和特异性等指标评估模型性能.
主要成果:
- 与其他方法相比,特征提取技术在灵敏度和AUROC方面表现优越.
- 像Random Forest和XG Boost这样的模型,利用特征选择,显示出有希望的精度.
- 深度学习模型为特征工程的重要性提供了独特的见解.
结论:
- 特性工程,特别是提取,对于提高败血症预测模型准确性至关重要.
- 动态指标 (生命体征,实验室值) 对于早期的败血症检测至关重要.
- 先进的ML技术,包括深度学习,有可能提高临床败血症的预测和管理.
