面向ICU的医疗数据挖掘关键技术研究与应用

发布时间：2022-02-04 22:51

　　医疗信息化的深入推进与医疗数据的剧增,导致“数据爆炸、信息稀缺”的问题日益凸显。如何将杂乱无章的数据变成有用的信息,就变得尤为迫切与关键。如果人工处理这些数据,不仅耗时耗力,而且处理质量也无法保证,基于医疗数据的复杂决策和精准医疗也就无从谈起。将医疗数据信息化,最好的办法就是对现有的医疗数据进行挖掘,将数据转化为知识,进而提供医疗决策支撑。本文从医疗健康电子档案入手,以重症监护室（ICU）数据为具体研究对象,围绕疾病诊断与病人死亡率评估这两个医疗应用场景,对医疗数据挖掘中使用到的关键技术进行了系统性的研究,具体研究工作如下:1.提出了一种多源多任务的疾病诊断方法。针对ICU数据,提出了一种基于注意力机制的通用疾病诊断方法。该方法可以使用统一的模型对ICU中所有的常见疾病进行诊断,并且可以获得较现有方法更高的诊断精度。由于前期对疾病进行诊断的工作主要集中在对单一疾病进行诊断上,所以针对不同的疾病需要单独开发不同的诊断模型。若应用于ICU中,就需要开发部署几十个这样的模型,不仅费时费力,模型的兼容性也是一个很大的问题。因此,本方法致力于构造一个统一的模型框架解决这一问题。考虑到病人基础生理... 

【文章来源】：吉林大学吉林省211工程院校985工程院校教育部直属院校

【文章页数】：148 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 医疗数据挖掘
        1.2.2 疾病诊断
        1.2.3 死亡率预测
        1.2.4 缺失值填充
    1.3 本文主要工作
    1.4 本文组织结构
第2章 实验数据及相关工作概述
    2.1 数据来源
    2.2 数据获取
    2.3 数据结构
    2.4 相关工作概述
    2.5 本文主要使用的相关算法
        2.5.1 极端梯度提升(XGBoost)
        2.5.2 循环神经网络(RNN)
        2.5.3 长短记忆网络(LSTM)
        2.5.4 门控循环单元(GRU)
        2.5.5 时域卷积网络(TCN)
    2.6 本章小结
第3章 基于注意力的多源多任务ICU疾病诊断方法
    3.1 引言
    3.2 相关工作
    3.3 模型与方法
        3.3.1 问题定义
        3.3.2 用于处理时序信息的多模态多任务模型
        3.3.3 输入表示与窗口对齐
        3.3.4 压缩层
        3.3.5 门控循环神经网络层
        3.3.6 多头注意力机制
        3.3.7 线性层
    3.4 实验与分析
        3.4.1 实验数据描述
        3.4.2 实验设置
        3.4.3 对比方法
        3.4.4 评价指标
    3.5 实验结果与讨论
    3.6 本章小结
第4章 深度可解释性病人死亡率预测方法
    4.1 引言
    4.2 相关工作
    4.3 模型与方法
        4.3.1 问题定义
        4.3.2 数据嵌入表示
        4.3.3 窗口对齐操作
        4.3.4 数据流压缩
        4.3.5 任务智能的Attention层
        4.3.6 GRU层
        4.3.7 多头Attention与前馈层
        4.3.8 线性层与Soft Max层
        4.3.9 Focal Loss
        4.3.10 输出与解释
    4.4 实验与分析
        4.4.1 数据集
        4.4.2 实验设置
        4.4.3 对比方法
        4.4.4 评价指标
        4.4.5 模块消融性研究
        4.4.6 实验结果与讨论
    4.5 本章小结
第5章 集成疾病诊断与死亡率预测方法
    5.1 引言
    5.2 相关工作
    5.3 模型与方法
        5.3.1 问题定义
        5.3.2 时序数据多模态多任务建模
        5.3.3 窗口对齐操作
        5.3.4 压缩层
        5.3.5 门控神经网络层
        5.3.6 多头Attention与前馈传播
        5.3.7 输出层
        5.3.8 模型解释
    5.4 实验与分析
        5.4.1 实验数据描述
        5.4.2 实验设置
        5.4.3 对比方法
        5.4.4 评价指标
        5.4.5 实验结果与讨论
    5.5 本章小结与展望
第6章 医疗时序数据缺失值处理方法
    6.1 引言
        6.1.1 临床时序多变量数据缺失值插补
        6.1.2 ICU死亡率预测
    6.2 预备知识
        6.2.1 关键概念定义
        6.2.2 问题定义
    6.3 模型与方法
        6.3.1 输入层
        6.3.2 整理层
        6.3.3 循环与回归层
        6.3.4 评估层
        6.3.5 约束层
        6.3.6 死亡率预测
    6.4 实验与分析
        6.4.1 数据集与实验设置
        6.4.2 对比方法
        6.4.3 评价指标
        6.4.4 实验结果与讨论
    6.5 本章小结
第7章 总结与展望
    7.1 工作总结
    7.2 工作展望
参考文献
作者简介及在学期间科研成果
    作者简介
    学术论文
    投稿论文
    发明专利
    软件著作
    参加项目
    学术奖励
致谢


【参考文献】：
期刊论文
[1]基于数据挖掘的智能电网调度技术研究[J]. 石智永,管晓峰,侯尽然,王国民,耿琦.  电子设计工程. 2019(22)
[2]基于电信大数据的信用卡精准营销算法研究及应用[J]. 成晨,韩玉辉,程新洲,张恒.  邮电设计技术. 2019(09)
[3]基于多维深层数据关联的医学知识挖掘研究进展[J]. 杜建.  农业图书情报. 2019(03)
[4]基于数据挖掘的疾病分类预测模型的构建[J]. 李荣华,张燕,黄俊,黄程成,莫尽友.  电脑知识与技术. 2019(11)
[5]基于关联规则的医疗大数据挖掘算法[J]. 岳根霞.  微电子学与计算机. 2019(04)
[6]数据挖掘技术在医疗诊断中的应用——感知机模型诊断心脏病[J]. 张一宁.  电子制作. 2019(04)
[7]eICU合作研究数据库申请及数据提取流程[J]. 郭晓娟,田国祥,闫小妮,冯晓婕,赵帆帆,吕军.  中国循证心血管医学杂志. 2019(01)
[8]深度学习与医学影像分析研究进展[J]. 赵地.  人工智能. 2018(04)
[9]基于深度学习的医学图像分割技术[J]. 亢寒,张荣国,陈宽.  人工智能. 2018(04)
[10]基于关联规则对423例强直性脊柱炎患者血小板参数与免疫炎症代谢指标的数据挖掘研究[J]. 方妍妍,刘健,万磊,忻凌,董文哲,文建庭,黄旦,宋倩.  中国免疫学杂志. 2018(07)

博士论文
[1]基于电子病历数据的临床决策支持研究[D]. 王昱.浙江大学 2016

硕士论文
[1]基于肺部CT的医疗影像处理与识别优化研究[D]. 佟宇琪.吉林大学 2019
[2]基于特征提取的ICU患者死亡风险预测研究[D]. 许侨洋.南京大学 2019
[3]基于相关性分析的关联规则挖掘及其应用[D]. 杨宁.兰州大学 2019
[4]小样本临床数据的扩增协同分类辅助诊断方法研究与应用[D]. 康越.西安电子科技大学 2019
[5]缺失数据插补方法及其在医学领域的应用研究[D]. 陈婉娇.华南理工大学 2019
[6]粗糙集与证据理论在医疗智能诊断系统中的应用研究[D]. 武金艳.湖南大学 2010
[7]数据挖掘技术在处理交通流数据中的研究及应用[D]. 陈磊.长安大学 2009
[8]HIS中医疗费用的数据挖掘[D]. 付光金.吉林大学 2005
[9]基于数据仓库的医保决策支持系统[D]. 孙伟.南京航空航天大学 2004



本文编号：3614088