基于医学级设备生理和人口学数据的 CBRNE 紧急场景中低氧严重程度分级的机器学习模型开发与比较分析

本文提出开发机器学习模型以预测紧急分级期间的低氧严重程度，尤其是在化学、生物、放射、核及爆炸（CBRNE）事件期间，使用来自医学级传感器的生理数据。我们训练了梯度提升模型（XGBoost、LightGBM、CatBoost）和序列模型（LSTM、GRU），训练数据来自 MIMIC-III 和 IV 数据集中的生理和人口学数据。一个稳健的预处理管道处理了缺失数据、类别不平衡问题，并纳入带掩码的合成数据。梯度提升模型在训练速度、可解释性和可靠性方面优于序列模型，使其更适用于实时决策。虽然其性能相当于序列模型，但梯度提升模型使用了来自增强型国家早期警报评分（NEWS 2）中六个生理变量衍生的得分特征，我们称其为 NEWS2+。该方法显著提高了预测准确性。虽然序列模型处理时序数据方面表现出色，但其性能提升并不足以弥补更高的计算成本。选择 5 分钟的预测窗口以实现及时干预，分钟级插值标准化数据。特征重要性分析突出显示，掩码和得分特征在提升透明度和性能方面发挥了重要作用。时序依赖性证明不那么关键，因为梯度提升模型能够有效地捕获关键模式，而无需依赖时序特征。这一研究突显了机器学习在改善分级和减少报警疲劳方面的潜力。未来工作将整合来自多个医院的数据，以增强模型在不同临床环境中的可泛化性。