典型文献
基于连续生理指标的脓毒症休克早期预警机器学习模型研究
文献摘要：
目的:提出一种急危重症患者中脓毒症休克的预警模型.方法:在重症监护医学信息数据库第4版(MIMIC-IV)中筛选出符合条件的患者,提取患者的心率(HR)、呼吸频率(RR)、血氧饱和度(SpO2)和平均动脉压(MAP)4项连续生理指标的时间序列数据,然后将数据划分到时间窗口中.患者的一般特征(年龄、性别、体重)及生存指标(心率、呼吸频率、血氧饱和度和平均动脉压4个连续指标)分别按照线性和非线性参数进行统计分析.采用多种机器学习方法建立预测模型,预测患者在所选的时间窗口内是否会发作脓毒症休克.结果:随机森林模型预测分类准确率最高为85.16％,敏感度和特异度达到了56.00％和99.05％,接受者操作特征曲线下面积(AUROC)最高为0.85.AdaBoost模型预测的敏感度最高为58.00％.结论:随机森林模型具有高准确率、敏感度和特异度;此脓毒症休克预警模型比以往的模型预测准确度更高,预测时间更加提前.危重患者监护中可实时获得上述指标,因此通过脓毒症休克的实时动态预警,起到预测脓毒症休克的早期预警的作用,为临床决策支持提供参考.
文献关键词：
脓毒症休克;时间序列数据;机器学习;预测模型;疾病早期预警
中图分类号：
作者姓名：
李理;刘淳;吴泽懿;史晓林;牟向东;弓孟春;洪娜
作者机构：
102218 北京,清华大学附属北京清华长庚医院,清华大学临床医学院;神州医疗科技股份有限公司
文献出处：
引用格式：
[1]李理;刘淳;吴泽懿;史晓林;牟向东;弓孟春;洪娜-.基于连续生理指标的脓毒症休克早期预警机器学习模型研究)[J].中国数字医学,2022(04):26-31,11
A类：
B类：
于连,生理指标,脓毒症休克,预警机,机器学习模型,急危重症患者,预警模型,重症监护,医学信息,信息数据库,MIMIC,IV,符合条件,呼吸频率,RR,血氧饱和度,SpO2,平均动脉压,MAP,时间序列数据,数据划分,分到,时间窗口,口中,非线性参数,机器学习方法,口内,随机森林模型,预测分类,分类准确率,接受者,操作特征,特征曲线下面积,AUROC,AdaBoost,预测准确度,加提,危重患者,实时动态,动态预警,临床决策支持,疾病早期预警
AB值：
0.305569
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
