目的:为实现对急性呼吸窘迫综合征(acute respiratory distress syndrome,ARDS)患者疾病严重程度的连续监测,提出一种基于集成学习的ARDS患者疾病严重程度辨识算法。方法:首先,利用开源数据库MIMIC-Ⅳ(Medical Information Mart for Int...目的:为实现对急性呼吸窘迫综合征(acute respiratory distress syndrome,ARDS)患者疾病严重程度的连续监测,提出一种基于集成学习的ARDS患者疾病严重程度辨识算法。方法:首先,利用开源数据库MIMIC-Ⅳ(Medical Information Mart for Intensive CareⅣ)提取患者的多种无创生理参数并进行初步预处理,采用多元特征选择算法对患者的多种无创生理参数进行特征排序并通过加权计算得出特征重要性评分;其次,根据特征重要性评分结果,采用子集搜索算法寻找在神经网络、逻辑回归、AdaBoost和XGBoost 4种机器学习算法下能够产生最佳性能的特征子集;最后,结合最优特征子集,使用广义线性回归模型设计软投票集成方法将单一机器学习算法结果进行集成,设计多元集成学习算法。基于MIMIC-Ⅳ数据库验证多元集成学习算法对ARDS患者疾病严重程度的辨识能力,并与传统算法进行比较。结果:多元集成算法的敏感度、特异度、准确率、AUC分别为87.15%、89.23%、88.34%、0.9234,均优于传统算法。结论:基于集成学习的ARDS患者疾病严重程度辨识算法能够实现对ARDS疾病严重程度的连续、实时监测,可为ARDS患者早期辨识预警提供有力支持。展开更多
文摘目的:为实现对急性呼吸窘迫综合征(acute respiratory distress syndrome,ARDS)患者疾病严重程度的连续监测,提出一种基于集成学习的ARDS患者疾病严重程度辨识算法。方法:首先,利用开源数据库MIMIC-Ⅳ(Medical Information Mart for Intensive CareⅣ)提取患者的多种无创生理参数并进行初步预处理,采用多元特征选择算法对患者的多种无创生理参数进行特征排序并通过加权计算得出特征重要性评分;其次,根据特征重要性评分结果,采用子集搜索算法寻找在神经网络、逻辑回归、AdaBoost和XGBoost 4种机器学习算法下能够产生最佳性能的特征子集;最后,结合最优特征子集,使用广义线性回归模型设计软投票集成方法将单一机器学习算法结果进行集成,设计多元集成学习算法。基于MIMIC-Ⅳ数据库验证多元集成学习算法对ARDS患者疾病严重程度的辨识能力,并与传统算法进行比较。结果:多元集成算法的敏感度、特异度、准确率、AUC分别为87.15%、89.23%、88.34%、0.9234,均优于传统算法。结论:基于集成学习的ARDS患者疾病严重程度辨识算法能够实现对ARDS疾病严重程度的连续、实时监测,可为ARDS患者早期辨识预警提供有力支持。
