隨著醫(yī)療數(shù)據(jù)供應的迅速增長,預后系統(tǒng)變得越來越復雜和準確,重癥監(jiān)護室尤其如此。重癥監(jiān)護室是重癥病人和危重術后患者的聚集地,目前臨床使用的典型ICU預后系統(tǒng)通常使用生理和人口統(tǒng)計數(shù)據(jù)方法,這些系統(tǒng)主要用于風險調整,而沒有過多關注具體患者的病情發(fā)展預測。然而,過去十年中,人們對醫(yī)療數(shù)據(jù)的使用興趣顯著增加,利用大型數(shù)據(jù)集對特定患者病情預測的需求越來越多,隨著大數(shù)據(jù)分析與機器學習方法的興起,醫(yī)療領域與機器學習知識結合已成為ICU患者死亡風險預測問題新的解決思路。目前多數(shù)利用機器學習方法的預測模型都專注于訓練和改進機器學習算法,通常忽略了數(shù)據(jù)的分析和處理。由于監(jiān)護設備的豐富性和復雜性,ICU數(shù)據(jù)往往存在維度高、采樣時間和次數(shù)不確定、類別不平衡、數(shù)據(jù)缺失等問題,這些數(shù)據(jù)問題往往會影響預測模型性能,因此對原始數(shù)據(jù)的預處理和特征提取工作對于預測模型來說是不可缺少的。本次研究著重于ICU數(shù)據(jù)的分析、特征提取和篩選,并采用決策樹、隨機森林和XGBoost三種機器學習方法建立預測模型,探索各種特征值組合對不同機器學習算法預測模型的影響。本文的主要研究內容分為以下幾部分:首先,對研究所使用的ICU數(shù)據(jù)集進行整...

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 臨床領域研究現(xiàn)狀
        1.2.2 機器學習領域研究現(xiàn)狀
    1.3 本文研究目的及研究方案
        1.3.1 研究目的
        1.3.2 研究方案
        1.3.3 論文結構安排
第二章 數(shù)據(jù)集及研究方法
    2.1 數(shù)據(jù)集介紹
        2.1.1 數(shù)據(jù)集來源
        2.1.2 數(shù)據(jù)集初步分析
    2.2 機器學習方法介紹
        2.2.1 CART決策樹
        2.2.2 隨機森林
        2.2.3 XGBoost
    2.3 模型評估標準
        2.3.1 AUC(接收者操作特性曲線下面積)
        2.3.2 正樣本分類情況評估
    2.4 本章小結
第三章 樣本集特征提取
    3.1 基本特征值提取
    3.2 時間序列特征值提取
        3.2.1 插值
        3.2.2 晝夜分割
        3.2.3 1h差分、12h差分、24h差分
        3.2.4 反饋系數(shù)
    3.3 缺失值處理
        3.3.1 均值替代
        3.3.2 存活患者均值替代
        3.3.3 有創(chuàng)血壓與無創(chuàng)血壓結合
    3.4 本章小結
第四章 方案設計及結果分析
    4.1 基于機器學習的ICU死亡風險預測方案設計
        4.1.1 特征值篩選
        4.1.2 重采樣
        4.1.3 預測模型構建
    4.2 結果分析
        4.2.1 重采樣方法比較
        4.2.2 基于機器學習的ICU死亡風險預測結果
        4.2.3 特征值篩選對預測結果影響分析
        4.2.4 三種機器學習模型預測結果比較
        4.2.5 基于隨機森林和XGBoost的特征值重要性分析
    4.3 本章小結
第五章 總結與展望
    5.1 全文總結
    5.2 展望
參考文獻
致謝
碩士研究生期間主要工作及相關成果



本文編號：3871971