基于特征提取的ICU患者死亡风险预测研究

发布时间：2023-12-09 19:01

　　随着医疗数据供应的迅速增长,预后系统变得越来越复杂和准确,重症监护室尤其如此。重症监护室是重症病人和危重术后患者的聚集地,目前临床使用的典型ICU预后系统通常使用生理和人口统计数据方法,这些系统主要用于风险调整,而没有过多关注具体患者的病情发展预测。然而,过去十年中,人们对医疗数据的使用兴趣显著增加,利用大型数据集对特定患者病情预测的需求越来越多,随着大数据分析与机器学习方法的兴起,医疗领域与机器学习知识结合已成为ICU患者死亡风险预测问题新的解决思路。目前多数利用机器学习方法的预测模型都专注于训练和改进机器学习算法,通常忽略了数据的分析和处理。由于监护设备的丰富性和复杂性,ICU数据往往存在维度高、采样时间和次数不确定、类别不平衡、数据缺失等问题,这些数据问题往往会影响预测模型性能,因此对原始数据的预处理和特征提取工作对于预测模型来说是不可缺少的。本次研究着重于ICU数据的分析、特征提取和筛选,并采用决策树、随机森林和XGBoost三种机器学习方法建立预测模型,探索各种特征值组合对不同机器学习算法预测模型的影响。本文的主要研究内容分为以下几部分:首先,对研究所使用的ICU数据集进行整...

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 临床领域研究现状
        1.2.2 机器学习领域研究现状
    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 论文结构安排
第二章 数据集及研究方法
    2.1 数据集介绍
        2.1.1 数据集来源
        2.1.2 数据集初步分析
    2.2 机器学习方法介绍
        2.2.1 CART决策树
        2.2.2 随机森林
        2.2.3 XGBoost
    2.3 模型评估标准
        2.3.1 AUC(接收者操作特性曲线下面积)
        2.3.2 正样本分类情况评估
    2.4 本章小结
第三章 样本集特征提取
    3.1 基本特征值提取
    3.2 时间序列特征值提取
        3.2.1 插值
        3.2.2 昼夜分割
        3.2.3 1h差分、12h差分、24h差分
        3.2.4 反馈系数
    3.3 缺失值处理
        3.3.1 均值替代
        3.3.2 存活患者均值替代
        3.3.3 有创血压与无创血压结合
    3.4 本章小结
第四章 方案设计及结果分析
    4.1 基于机器学习的ICU死亡风险预测方案设计
        4.1.1 特征值筛选
        4.1.2 重采样
        4.1.3 预测模型构建
    4.2 结果分析
        4.2.1 重采样方法比较
        4.2.2 基于机器学习的ICU死亡风险预测结果
        4.2.3 特征值筛选对预测结果影响分析
        4.2.4 三种机器学习模型预测结果比较
        4.2.5 基于随机森林和XGBoost的特征值重要性分析
    4.3 本章小结
第五章 总结与展望
    5.1 全文总结
    5.2 展望
参考文献
致谢
硕士研究生期间主要工作及相关成果



本文编号：3871971