【技术实现步骤摘要】
一种基于机器学习的脓毒症早期预测方法
本专利技术属于医疗数据挖掘领域，具体涉及一种基于机器学习的脓毒症早期预测方法。
技术介绍
脓毒症是一种对生命安全有着严重威胁的疾病，脓毒症是因感染导致的全身炎症反应综合症，是ICU患者常见高危并发症和致死的主要原因之一。全球中每年估计有3000万人患有脓毒症，因脓毒致死人数超过600万人，脓毒症的治疗费用非常高，且面临的风险也非常大。因发病率、致死率高以及昂贵的治疗费用，脓毒症已经成为全球高度关注的公共医疗问题。脓毒症的临床诊断定义从1.0发展到3.0，也在不断变化更新。目前临床上最新定义脓毒症-3是欧洲重症学会于2016年提出的。临床上对脓毒症的发病规律研究已取得一定进展，但脓毒症的发病机制复杂，涉及变量因素较多，诊断准确率还有待提高。有研究表明，脓毒症的早期发现和及时的抗生素治疗对于改善脓毒症患者的结局至关重要，每延迟一小时治疗都会使死亡率增加4％-8％。尽早地发现可能发展成脓毒症的患者并对其给与及时治疗，同时探究与脓毒症发生有着密切关系的关键影响因素对于改善病人预后有着具有重要的研...
【技术保护点】
1.一种基于机器学习的脓毒症早期预测方法，其特征在于，包括以下步骤：/n步骤1，首先明确诊断任务，从病患的电子病历记录或者医疗数据集中提取入ICU后24小时内的记录的多个预测特征变量；/n步骤2，提取到数据以后，因数据存在不同程度的缺失、异常的情况，需要对数据进行预处理，预处理包括变量筛选、缺失值填充、异常值处理、特征提取的操作；/n步骤3，数据预处理之后，输入到构建的预测模型中，使用基于改进的深度森林算法构建了预测模型；/n步骤4，对预测模型进行训练，通过训练找到最理想的参数，不断调优，使得模型效果稳定且最佳；/n步骤5，模型经过训练之后，对新的病患进行脓毒症预测，同时输...
【技术特征摘要】
1.一种基于机器学习的脓毒症早期预测方法，其特征在于，包括以下步骤：
步骤1，首先明确诊断任务，从病患的电子病历记录或者医疗数据集中提取入ICU后24小时内的记录的多个预测特征变量；
步骤2，提取到数据以后，因数据存在不同程度的缺失、异常的情况，需要对数据进行预处理，预处理包括变量筛选、缺失值填充、异常值处理、特征提取的操作；
步骤3，数据预处理之后，输入到构建的预测模型中，使用基于改进的深度森林算法构建了预测模型；
步骤4，对预测模型进行训练，通过训练找到最理想的参数，不断调优，使得模型效果稳定且最佳；
步骤5，模型经过训练之后，对新的病患进行脓毒症预测，同时输出每个特征变量的重要性度量值。
2.根据权利要求1所述基于机器学习的脓毒症早期预测方法，其特征在于：所述步骤1中提取的预测特征变量包括生命体征变量；实验室测量指标；人口统计学信息。
3.根据权利要求1所述基于机器学习的脓毒症早期预测方法，其特征在于：所述步骤2中数据预处理包括：
变量筛选，设置缺失率阈值，去除了缺失率过高的变量，同时还进行了低方差过滤变量选择，即计算每一个变量所对应的方差，设定阈值，变量方差低于阈值则过滤，选择剔除零方差特征，方差为0，表示变量取值没任何变化，该变量对于模型而言不具有区分性；
缺失值填充，使用MissForest模型预测的方法对缺失值进行了填充，MissForest是一种非参数的缺失值填补方法，利用算法模型对缺失值进行预测填充；
异常值处理，处理方法是使用的6σ原则，其中：σ表示的是数据的标准差，若病人的某项数据在所属数据集中与平均值的偏差超过6倍标准差，即数据值在[U-6σ—U+6σ]之外，其中：U表示的数据集的平均值，则分别用最小和最大界限值替代；
特征提取，对特征变量进行扩展，医学评分系统判断病人的严重程度基于最值计算，从最大值、最小值和平均值三方面进行特征扩展。
4.根据权利要求1所述基于机器学习的脓毒症早期预测方法，其特征在于：所述步骤3中的构建模型，使用的是改进的深度森林算法模型构建了预测模型；
所述改进的深度森林算法模...
【专利技术属性】
技术研发人员：付梦莎，袁家斌，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。