关于ICU病人数据的处理及研究

发布时间：2021-04-02 11:14

　　目前,对于重症监护病房（ICU）病人的临床分析主要是关于病人的死亡率预测以及相关的表型分析。然而,在动态变化的临床环境中,它们并未为临床决策提供有效的支持。本文提出了一种同时分析不同器官系统以预测ICU患者病情严重程度的新方法,该方法能够更加直观地反映患者的病情。具体来说,本文使用了一种新的深度学习模型,它是基于多视图的递归神经网络,即MV-RNN。在时间序列表征中,把每个器官系统的生理特征看作是不同的视图,每个视图用单个长短期记忆单元（LSTM）来学习,模型使用多个视图来提升系统性能。同时为了利用不同器官系统之间的时间相关性,本文使用一个共享的LSTM单元来挖掘不同器官系统之间的相关性,从而进一步提高模型的性能。并在一个基于真实世界的临床数据集（MIMIC-Ⅲ）上进行了广泛的实验,且与当前已使用的一些最新的方法进行比较。最终实验结果表明,在动态预测ICU病人病情严重程度的任务上,该方法的预测效果明显优于要比其他现有的方法。此外,在ICU病房,将危重病人的实验室测量值解释为正常或异常,其依据是与健康的门诊志愿者抽样产生的标准参考间隔进行比较。该比较是否有效,至今为止尚未被证明。使用MI... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

序列缺失数据处理

电子科技大学硕士学位论文特别地，本章在深度学习框架 MV-RNN 中，对于病人每一次住院记录，所有提取的特征都将转化为具有可变行数的矩阵，如下图 3-3 所示。d 为特征数，n 为ICU 住院记录总数。用it 表示第 i 个病人数据的最大时间长度， i 1,...,n，这样，数据就可以用 {,,...,}1 2nX xxx表示，tDiixR 。

对这两个特征进行优化，将获得一个椭圆形，如下图 3-4(a)所程中，走锯齿形路线，梯度方向与等高线方向垂直，这样会导别慢，相比之下，进行归一化处理后的数据，损失函数的等高图 3-4(b)所示，依照梯度下降的方向进行参数更新很容易就能。可知，在对数据进行归一化处理之后，寻找最优解的过程会时模型更容易收敛，进而得到模型的最优点[61]。此外，对数据可以进一步提高模型的精度，当算法涉及到距离计算时，其效，下图 3-4 中 x2 的取值范围比较小，当算法涉及到距离计算影响要比 x1 产生影响的小的多，这会损失部分精度。因此，需而确保数据集中的每个特征对结果的贡献一样大。minmax minnewx xxx x newx meanxstd

【参考文献】：
期刊论文
[1]医院感染人工神经网络预测模型的构建[J]. 谢多双,胡荍,李瑞,罗清钦,符湘云,王惠芳,聂绍发.  湖北医药学院学报. 2015(03)

硕士论文
[1]用于蛋白质二级结构设计的深度生成模型的研究与应用[D]. 常菁.北京交通大学 2018
[2]时序医疗健康数据挖掘的研究[D]. 肖文栋.电子科技大学 2018
[3]Bayes判别分析在上市公司财务困境预测中的应用[D]. 王智.大连理工大学 2017
[4]安卓恶意代码检测技术的研究与实现[D]. 李振国.北京工业大学 2017
[5]基于FAM-CART的ICU患者生死预测研究[D]. 卜小轩.北京交通大学 2017



本文编号：3115175