一个新的经典机器学习框架,用于预测早期的败血症,使用来自ICU患者的电子健康记录数据

科学领域:

• 计算生物学和生物信息学
• 医疗信息学和健康数据科学
• 机器学习在医疗保健中的应用.

背景情况:

• 败血症是一个关键的全球健康问题,死亡率高,医疗费用高.
• 早期的败血症预测对于有效的治疗和改善患者结果至关重要.
• 电子健康记录 (EHR) 包含有价值的数据,但由于不平衡,存在挑战.

研究的目的:

• 开发和评估用于早期毒症预测的创新机器学习模型.
• 用先进的增强技术解决电子健康记录中的数据不平衡问题.
• 为了比较不同数据分割和增强策略的性能.

主要方法:

• 利用了PhysioNet/CinC挑战2019数据集 (40,336名患者),包括生命体征,实验室值和人口统计数据.
• 采用了经典和堆叠的机器学习 (ML) 模型,使用合成少数群体过量采样技术 (SMOTE).
• 引入了一种新的数据分割方法,具有5倍的交叉验证,包含SMOTE和COPULA增强.

主要成果:

• 堆叠的ML模型提高了整体准确性,但显示了精度,回忆和F1得分的限制,用于积极的类预测.
• 新的数据分割方法与COPULA增强实现了高F1得分 (93-94%).
• 与SMOTE相比,COPULA在预测不同时间发生败血症的表现更好.

结论:

• 拟议的ML模型与COPULA增强显示了早期毒症检测的重大前景.
• 新的数据分割策略有效地处理不平衡的EHR数据.
• 该模型的性能表明,它具有改善败血症管理和患者治疗结果的临床可行性.