基于创伤大数据的创伤失血性休克伤情预测预警模型建立研究

发布时间：2020-03-21 20:11

【摘要】：目的本研究通过数据检索技术从海量创伤数据中抽取创伤失血性休克伤员数据,通过智能筛选方法提取创伤失血性休克关键指标,进而应用机器学习、深度学习算法对时序数据进行分析及模型验证,能对创伤失血性休克进行预测预警,对模型性能进行客观评价,提高医护人员对该并发症的提前感知能力,实现早干预、早治疗,改善伤员预后,并为其他应用大数据技术开展类似临床决策支持研究提供一定参考。方法:(1)应用数据检索技术从MIMIC III数据库中提取创伤失血性休克伤员数据,使用粗糙集算法对包含伤员生命体征、血常规、血气分析、凝血功能、血生化、尿常规的庞大指标数据集进行解析;进而使用元胞遗传算法进行独立重复实验,根据指标在筛选中被保留次数判定其识别能力,进而形成新的关键指标集。(2)根据被筛选出关键指标对伤情识别能力不同,即被筛选保留次数不同,对关键指标进行重组及分组,以时间序列性关键指标为分析对象,去除补缺后不能满足研究需求的指标。分别应用机器学习中的逻辑回归、支持向量机、朴素贝叶斯和AdaBoost对创伤失血性休克结局变量进行预测,对分类器模型性能进行评价,分别获得不同分组指标集下各种算法所计算出的准确率、召回率、精确率、F值,并对结果进行比较。(3)分别使用MLP和GRU两种神经网络模型,使用创伤失血性休克伤员阶梯式关键指标,即分为仅生命体征、生命体征+血气分析和生命体征+血气分析+血常规共三种不同指标组合,设置时间跨度为1小时,调整时间步长,使模型表现最优,对模型性能进行评价,获得不同分组指标集下各种算法所计算出的准确率、召回率、精确率、F值,并对结果进行比较。(4)以解放军总医院急救数据库中满足研究条件的创伤伤员数据对已建立模型性能进行客观验证,获得外部验证结果,并与内部验证结果进行实际比较,探讨模型在其他数据集中的泛化性能。结果:(1)应用元胞遗传算法进行10次独立重复属性约简试验,约简保留10次的关键指标为呼吸频率和白细胞;约简保留9次的关键指标为天冬氨酸·氨基转移酶;约简保留8次的关键指标为PC02、PH、体温、尿比重;约简保留7次的关键指标为血浆纤维蛋白原测定、收缩压、舒张压;约简保留6次的关键指标为国际标准化比值、乳酸、氯化物、葡萄糖、心率。共发掘出10组最优的关键指标组合规则。(2)将待分析时间序列指标分成包含全部指标、13个关键指标、8个关键指标、6个关键指标的共4组数据集,分别应用4种机器学习算法进行预测分析。当应用全指标数据集时,AdaBoost方法,在准确率、召回率、精确率三方面均超过90%,表现优于其他三种方法;在应用不同数量关键指标数据集时,AdaBoost在应用于包含13个关键指标的数据集时,F1.5值达到90.1%;应用于全数据集时,F1.5值达到91.8%,在4种算法中表现最优。(3)使用GRU和MLP两种神经网络模型分别在三组不同的预测预警指标数据集上进行预测,当时间跨度为1h且时间步长为5时模型表现性能最优。其中,应用GRU进行创伤失血性休克预测时,单独使用生命体征预测的F1 5值最高可达85.1%,当保证F1.5值不低于80%时,可提前2小时预测创伤失血性休克发生;使用生命体征和血气分析指标进行预测时,F1.5值最高可达86.3%,当保证F1.5值不低于80%时,可提前3小时预测创伤失血性休克发生;使用生命体征、血气分析和血常规指标进行预测时,Fi 5值最高可达90.1%,当保证F1.5值不低于80%时,可提前4小时预测创伤失血性休克发生。在使用相同指标、提前相同时间时,GRU的F1.5值均高于MLP,表面前者性能优于后者。(4)通过外部验证,AdaBoost模型在内部验证和外部验证中均取得了较好的表现性能,具有较好的鲁棒性,其F1.5值最高达0.892,与外部验证结果最为接近;深度学习算法泛化性能欠佳,仅在准确率方面与内部验证结果接近。结论:(1)关键指标筛选是开展创伤失血性休克预测预警,提高模型预测效能的重要基础,也是尽可能减少需求指标数量,优化模型的重要措施和手段。(2)使用机器学习方法能够较好地对创伤失血性休克是否会发生进行预测。当应用关键指标集预测时可能存在最适指标组合,需综合考虑指标采集的经济效益和时间效益。(3)使用深度学习对创伤失血性休克进行预测预警,引入预测时间窗,提出预测指标阶梯化概念,当仅使用可实时监测的指标且应用算法能获得较好的预测效能时,在理论上就能对创伤失血性休克实施实时动态预测预警。(4)通过外部数据集验证是检测模型综合性能和泛化性的有效方法,使用筛选获得核心关键指标时模型的泛化性能较好,说明应用元胞遗传粗糙算法筛选关键指标对于提高模型性能方面的具有重要的应用价值。总之,通过系列研究,获得了多种能够为临床创伤伤员进行失血性休克预测预警的模型算法。下一步的研究重点是进行严密的临床验证,对实际预测效果进行严格测试,不断对模型进行优化改进。
【图文】：

创伤失血性休克的研究热点领域是“外科学”、“重症医学”、“血液学”、“周围血管性逡逑疾病”与“急救医学”等领域。逡逑创伤失血性休克的领域共现网络如图１－１所示，选取网络规模、网络密度、平均逡逑度数、集聚系数、中心性、平均路径长度６个指标对领域共现网络进行描述，如表逡逑１－２所示。领域共现网络密度为０．１１０，网络非常疏散，领域间的共现关系不够密切。逡逑网络中心性为０．２６３，表明网络集权现象不明显，平均路径长度为１．００，表明领域间逡逑平均通过１．００个路径长度即可与其他领域进行联系。集聚系数为０．３５１，，表明领域集逡逑团化不严重。逡逑表１－１创伤失血性休克研宄领域字段排序逡逑领域邋｜频次｜占比｜排名｜逦领域逦｜频次｜占比逡逑药理学与药剂学逡逑１逦外科学（Ｓｕｒｇｅｒｙ）逦５９５逦４１．４９％逦１１逦（Ｐｈａｒｍａｃｏｌｏｇｙ邋＆逦３３逦２．３０％逡逑逦Ｐｈａｒｍａｃｙ）逦逡逑２逦（Ｃｒｉｔｉｃａｌ邋５ｇ２邋４0邋５９0／0逦１２逦３１逦２．１６％逡逑逦Ｃａｒｅ邋Ｍｅｄｉｃｉｎｅ）逦（Ｉｍｍｕｎｏｌｏｇｙ）逦逡逑３逦血液１７３逦１２．０６％逦１３邋细邋子、（Ｃｄｌ邋３０逦２．０９％逡逑逦（Ｈｅｍａｔｏｌｏｇｙ；逦Ｂｉｏｌｏｇｙ）逦逡逑周憸管性疾病逡逑４逦（Ｐｅｒｉｐｈｅｒａｌ逦１５５逦１０．８１0／0逦１４逦ｃ＝＝逦２８逦乫逡逑逦邋Ｖａｓｃｕｌａｒ邋Ｄｉｓｅａｓｅ）逦Ｓｙｓｔｅｍｓ）逦逡逑ｗｍ＾逦＾逡逑５逦（Ｅｍｅｒｇｅｎｃｙ邋１２４逦８．６５％逦１５逦

逦Ｉ逡逑图２－２数据总体缺失情况直方图（红色代表数据缺失）逡逑从图２－２中可知原始数据缺失情况比较严重，如直接胆红素、间接胆红逡逑素等。同时，部分指标数值明显超出临床工作中所能测得的理论阈值，且在逡逑整体数据中体现为明显离群现象，因此进行了去除。为了具体了解数据缺失逡逑比例以及数据分布情况，本研究对原始数据进行统计，分别计算实验组和对逡逑照组各指标的相关统计量（缺失比例）如表２－３所示，从表中可以看出实验逡逑组和对照组中各个指标均存在不同程度的缺失，且具有一定的差异性。为了逡逑进一步对比在实验组和对照组中指标缺失的差异，对实验组和对照组中缺失逡逑率在５０％以上的指标进行统计，其柱状图如图２－３、２－４、２－５所示。逡逑２４逡逑
【学位授予单位】：中国人民解放军医学院
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP311.13;R605.971;R641

【相似文献】

相关期刊论文 前10条

1 冯宪梅;;危机管理配合无缝隙一体化急救护理在严重创伤失血性休克患者中的应用[J];河南医学研究;2019年22期

2 苏颖U

本文编号：2593873