用于潜在致命疾病早期预警的高效新颖性检测方法

致命疾病作为危急健康事件（Critical Health Episodes, CHEs），对重症监护病房住院患者构成真实危险。这些事件可导致不可逆的器官损伤和死亡。然而，及时诊断将大大减少其危害。因此，本研究致力于构建针对急性低血压事件和心动过速事件等CHEs的高效早期预警系统。为促进预测的提前性，在观察窗口（Observation Windows）与可能发生危急事件的窗口（Target Windows）之间设定了一小时间隔。使用MIMIC II数据集评估所提出系统的性能。该系统首先采用三种不同模式提取附加特征；随后利用互信息增益特征重要性（Mutual Information Gain feature importance）执行特征选择以筛选最相关特征；最后采用高性能预测模型LightGBM进行事件分类。该称为MIG-LightGBM的方法使用五项指标评估：事件召回率（Event Recall, ER）、精简精确率（Reduced Precision, RP）、平均提前时间（average Anticipation Time, aveAT）、平均误报数（average False Alarms, aveFA）和事件F1分数（Event F1-score, EF1-score）。若一种方法不仅具有较大的aveAT，且具备较大的EF1-score和较低的aveFA，则被视为对CHEs早期预测高效。相较于使用极端梯度提升（Extreme Gradient Boosting）、支持向量分类（Support Vector Classification）或朴素贝叶斯（Naive Bayes）作为预测模型的系统，所提系统表现出显著优势，并证实了相对于分层学习（Layered Learning）方法的优越性。