TBBC：通过深度学习预测血液培养中的真实细菌血症
信号处理
2024-10-29 v1
摘要
细菌血症是一种血液感染，死亡率和患病率都很高，导致诊断困难。通过血液培养进行准确诊断需要大量资源。开发一种机器学习模型来预测急诊科的血液培养结果可为改进诊断、减少医疗成本和减少抗生素使用提供潜在机会。本论文旨在识别预测细菌血症的最佳机器学习技术并开发一个使用来自圣安东尼斯医院急诊科数据的预测模型。基于当前文献，选定了 CatBoost 和 Random Forest 作为最有前景的技术。通过 Optuna 进行模型优化，优先考虑灵敏度。最终的 Random Forest 模型在测试集上达到 0.78 的 ROC AUC，并在测试集上实现了 0.92 的灵敏度。值得注意的是，它准确识别了 36.02% 的低风险患者，仅有 0.85% 的假阳性率。将该模型在圣安东尼斯医院急诊科实施，可能减少血液培养、医疗成本和抗生素治疗。未来的研究应关注外部验证、探索更先进的技术并解决潜在混杂因素，以确保模型的可推广性。
引用
@article{arxiv.2410.19886,
title = {Gaussian Process Regression-Based Lithium-Ion Battery End-of-Life Prediction Model under Various Operating Conditions},
author = {Seyeong Park and Jaewook Lee and Seongmin Heo},
journal= {arXiv preprint arXiv:2410.19886},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication. 22 pages, 9 figures