用于早期精确脓毒症预测以改善患者预后的高级元集成机器学习模型
机器学习
2024-07-12 v1
摘要
脓毒症是机体对感染反应产生的一种危重病症，构成了影响所有年龄段的全球重大健康危机。及时检测与干预对于降低医疗费用和改善患者预后至关重要。本文考察了全身炎症反应综合征、改良早期预警评分和快速序贯器官衰竭评估等传统脓毒症筛查工具的局限性，突显了对先进方法的需求。我们提出使用机器学习技术——随机森林、极端梯度提升和决策树模型——来预测脓毒症发作。我们使用准确率、精确率、召回率、F1 分数和受试者工作特征曲线下面积等关键指标，对这些模型进行单独评估以及采用组合元集成方法进行评估。结果表明，元集成模型优于单个模型，其 AUC-ROC 得分为 0.96，表明在早期脓毒症检测中具有卓越的预测准确性。随机森林模型也表现良好，AUC-ROC 得分为 0.95，而极端梯度提升和决策树模型的得分分别为 0.94 和 0.90。
引用
@article{arxiv.2407.08107,
title = {Advanced Meta-Ensemble Machine Learning Models for Early and Accurate Sepsis Prediction to Improve Patient Outcomes},
author = {MohammadAmin Ansari Khoushabar and Parviz Ghafariasl},
journal= {arXiv preprint arXiv:2407.08107},
year = {2024}
}