相关实验视频
Updated: Jan 10, 2026
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
465
通过机器学习改善败血症死亡率预测,使用全区域合成采样方法
Ibrahim A Amory1, Parviz Rashidi Khazaee2, Saleh Yousefi2
1Computer Engineering Department Urmia University Urmia Iran.
Health science reports
|November 26, 2025
概括
这项研究引入了全区域合成采样方法 (FRSSA) 和自适应合成采样调整 (ASST) 的新型数据增强技术,以改进机器学习模型,用于预测重症监护室 (ICU) 中的败血症死亡率. 使用FRSSA和ASST的分离后增强策略在临床风险评估中表现出卓越的公平性和可靠性.
科学领域:
- 医疗信息学 医疗信息学
- 机器学习 机器学习
- 关键护理医学 关键护理医学
背景情况:
- 败血症是一种严重的疾病,在重症监护病房 (ICU) 中死亡率很高.
- 精确预测败血症死亡率对于有效的ICU资源管理至关重要.
- 在ICU数据集中的类不平衡显著阻碍了机器学习模型的性能.
研究的目的:
- 开发和评估新的数据增强方法,以改善败血症死亡率预测模型.
- 为应对ICU数据集中阶级不平衡的挑战.
- 为个性化风险评估提出一个公平和临床相关的评估指标.
主要方法:
- 提出了全区域综合采样方法 (FRSSA) 以基于区域密度的动态少数群体类平衡.
- 引入了自适应合成采样调整 (ASST) 以优化增强重量以提高模型性能.
- 比较了使用MIMIC-IV和eICU-CRD数据集与随机森林,XGBoost和LightGBM模型的分割前和分割后增强策略.
主要成果:
- 预分割策略显示了高准确度 (89.64%) 和AUROC (0.968),但存在试验组污染的风险.
- 后分割策略实现了78.31%的准确性和0.7241 AUROC,确保了更好的现实世界的概括.
- ASST优化了FRSSA插值 (65%) 和扩展 (35%) 的平衡,减少了虚假阳性并提高了模型的公平性.
结论:
- FRSSA保留了区域数据分布,而ASST则动态调整了增强以实现最佳性能和通用化.
- 均衡绩效得分 (BPS) 提供了一个灵活的框架,用于根据临床优先级评估模型.
- 使用FRSSA和ASST进行分离后增强,可以获得更公平,更可靠的ICU死亡率预测模型.
