利用心率变异性改进基于机器学习的脓毒症诊断
机器学习
2024-08-07 v1
摘要
脓毒症的早期准确诊断对于提高患者预后至关重要。本研究旨在利用心率变异性（HRV）特征开发一种有效的脓毒症检测预测模型。通过特征工程方法（包括统计引导法和BORUTA算法）识别关键HRV特征，随后采用不同参数设置训练XGBoost和随机森林分类器。此外，构建了集成模型，以整合高召回率和高精确率分类器的预测概率，以提高模型性能。最后，在HRV特征上训练神经网络模型，实现F1分数为0.805，精确率为0.851，召回率为0.763。最佳性能的机器学习模型与本神经网络通过可解释性分析进行比较，其中实现了Local Interpretable Model-agnostic Explanations，以基于数值范围和阈值确定特定特征的决策准则。本研究不仅突显了HRV在自动化脓毒症诊断中的有效性，也增加了黑箱输出的透明度，最大化临床可应用性。
引用
@article{arxiv.2408.02683,
title = {Improving Machine Learning Based Sepsis Diagnosis Using Heart Rate Variability},
author = {Sai Balaji and Christopher Sun and Anaiy Somalwar},
journal= {arXiv preprint arXiv:2408.02683},
year = {2024}
}