数据驱动的重症患者健康监测方法研究

发布时间：2020-08-04 15:58

【摘要】：重症监护室(ICU)主要收治生命危急但有可能挽救的危重病人,集中了医院中最先进的设备和优秀的医护人员,是医院的重要组成部分。病人进入ICU后会进行死亡率预测和健康状态的实时监测,从而在医疗资源得到最优分配的同时,达到良好的救治效果。由于病人病情的多样性和个人体质差异,医院用的大众化评分模型会浪费大量数据信息,无法跟踪病人实时状态,难以给出准确的预测结果。本文重点研究ICU病人个性化模型的建立,主要内容包括:针对死亡率预测,本文提出“两步法JITL-ELM”,即先聚类后使用JITL-ELM分类的建模方法。JITL搜集与当前病人相似的样本构成训练数据集,ELM构建局部的个体化模型,而聚类过程缩减JITL的查询范围,提高搜索速度。为解决部分生理变量可能存在测量缺失的问题,本文提出“简化JITL-ELM”,使用10个生理变量来构建模型,其AUC指标与使用所有变量的ELM方法相近。最后选择PhysioNet网站的4000个病例进行实验,结果表明JITL-ELM的效果优于传统建模方法,例如医院普遍使用的SAPS-I评分系统。针对健康状态监测,本文先利用局部加权映射回归将非线性系统线性化成若干线性模型,并在线性模型中使用PCA监测,最后将结果加权实现对当前状态进行监测。后提出了改进后的扩展方法如LWPR-MPCA,将监测指标合二为一。实验选择PhysioNet中的18名ICU患者的数据,结果表明本文算法能即时跟踪患者的状态,且无论从学习时间还是异常状态检测率,结果都优于传统主元分析算法和即时学习主元分析算法。
【学位授予单位】：北京化工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18;O212
【图文】：

架构图,架构,流程

１．１．２重症监测过程逡逑为了详细描述ＩＣＵ监测的整个流程，Ｌｉ等人提出了一个较为完善的重症监测架逡逑构如图１－１所示，该架构主要由以下五个部分组成，分别介绍如下。逡逑２逡逑

建模过程,建模,全局建模

与用所有数据进行建模的传统方法相比，ＪＩＴＬ会从数据库中寻找与当前状态最为相逡逑似的一系列样本作为训练数据集，在此基础上构建局部模型，从而获得对应的输出，逡逑二者的建模过程如图３－１。显而易见，传统方法属于全局建模方法，其建模数据为逡逑训练数据集中的所有样本，该集合一般试图收集涵盖所有情况的数据样本，模型建逡逑立完成后，结构便固定；而ＪＩＴＬ属于局部建模方法，只搜寻有用数据（或相关数据）逡逑去构建一个精细化、个性化的模型，在给出相应输出后就丢弃模型，因此ＪＩＴＬ也具逡逑有很好的非线性适应能力［３］。逡逑全局建模方法逦Ｊ１ＴＬ建模方法逡逑逦逦ｊ逦■逦邋；逡逑当前查询样；＾￣１＝＾：＞逦＂邋当前查询样本逡逑＿＿＿＿逡逑：：逦学习过程逦１邋结果邋Ｉ邋？：学习过程逦结果逡逑．邋．．．－邋．邋！邋．邋：逡逑图３－１传统建模与ＪＩＴＬ建模过程对比．逡逑Ｆｉｇ．３－１邋Ｍｅｃｈａｎｉｓｍ邋ｃｏｍｐａｒｉｓｏｎ邋ｏｆ邋ｃｏｎｖｅｎｔｉｏｎａｌ邋ｍｏｄｅｌ邋ａｎｄ邋ＪＩＴＬ－ｂａｓｅｄ邋ｍｏｄｅｌ．逡逑１７逡逑

两步法,指标,算法,法相

接下来将针对这两部分进行实验介绍与结果分析。逡逑■邋ＪＩＴＬ－ＥＬＭ、“两步法ＪＩＴＬ－ＥＬＭ”与其他方法的比较逡逑图３－３展示了邋ＪＩＴＬ－ＥＬＭ、两步ＪＩＴＬ－ＥＬＭ算法，以及与其他方法相比较的实验逡逑结果，从ＲＯＣ曲线可以直观得出结论：ＪＩＴＬ－ＥＬＭ在所有方法中的分类结果最好。逡逑根据ＡＵＣ指标，ＥＬＭ在加入ＪＩＴＬ部分后的ＡＵＣ指标提升了逦与ＬＲ，ＢＰ邋ａｎｄ逡逑ＳＡＰＳ－Ｉ邋相比，ＪＩＴＬ－ＥＬＭ邋分别提升了邋Ｓ．６７％，邋２２．７２％邋ａｎｄ邋２５．６９％。逡逑另外，两步法的ＪＩＴＬ－ＥＬＭ算法的性能虽然有轻微下降，但它仍优于其他方法，逡逑且计算量要远小于不聚类的ＪＩＴＬ－ＥＬＭ。且在两种聚类方法中，Ｗａｒｄ聚类的两步逡逑ＪＩＴＬ－ＥＬＭ算法要优于直接以ＩＣＵ类型为基础的算法。逡逑根据文献［１８］中的结果，尽管ＡＵＣ指标可以通过调整相似样本集的大小即）ｔ值来逡逑优化，但是这个优化的效果是建立在削弱灵敏度的基础上，且效果很弱。经过反复逡逑尝试

【参考文献】