持续性败血症轨迹预测使用张量减小的生理信号
相关实验视频
Updated: Jun 17, 2025
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
162
Olivia P Alge1, Joshua Pickard2, Winston Zhang2
1Department of Computational Medicine and Bioinformatics, University of Michigan, Ann Arbor, MI, USA. oialge@umich.edu.
Scientific reports
|August 5, 2024
概括
使用机器学习模型预测败血症进展显示出有希望. 生理信号的张量分解提高了预测准确性,提供了独立于电子健康记录数据可用性的实时见解.
科学领域:
- 关键护理医学 关键护理医学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 快速序列器官衰竭评估 (qSOFA) 系统对于识别患有败血症相关结果不良风险的患者至关重要.
- 准确及时预测qSOFA得分的增加对于有效的临床干预至关重要.
- 传统方法通常依赖于电子健康记录 (EHR) 数据,这些数据可能无法连续使用.
研究的目的:
- 开发和评估用于预测qSOFA分数增加的机器学习模型.
- 调查张量分解对生理信号 (心电图,动脉线) 的特征减少的实用性.
- 为了比较使用EHR数据与生理信号的模型的性能.
主要方法:
- 利用支持向量机器,使用形和凸形内核进行学习,以及随机森林算法.
- 结构化生理信号数据 (心电图,动脉线) 在张量格式.
- 应用法典多态/平行因子 (CP) 分解用于特征缩小.
- 集成的EHR数据与信号衍生特征.
主要成果:
- 随机森林在张量分解的心电图数据上进行训练,改善了预测性能 (AUROC 0.67 ± 0.06).
- 整合动脉线数据进一步提高了性能,特别是在张量分解 (AUROC 0.71 ± 0.07).
- 将EHR数据与张量减小信号模型相结合,获得了最高的性能 (AUROC 0.77 ± 0.06).
结论:
- 生理信号的张量分解改善了对qSOFA得分增加的预测模型性能.
- 基于信号的模型提供实时,连续的预测能力,独立于EHR数据的可用性.
- 整合多种数据源的机器学习模型显示出早期毒风险识别的巨大潜力.
