机器学习从危重患者连续生理数据预测发热早期发生
定量方法
2020-09-16 v1 机器学习
应用统计
摘要
发热可为肺炎、登革热、败血症等多种疾病的诊断和预后提供有价值的信息，因此早期预测发热有助于提升治疗选项的有效性并加快治疗进程。本研究旨在开发新颖算法，通过机器学习技术对连续生理数据进行分析，准确预测危重患者的发热发生。我们分析了在 2 年期间从超过 200,000 名入住重症监护病房（ICU）的危重患者每 5 分钟采集的连续生理数据。同一患者的每次发热事件被视为独立事件，间隔至少 24 小时。我们从六个生理数据流（包括心率、呼吸、收缩压和舒张压、平均动脉压和血氧饱和度）中提取描述性统计特征，并使用这些特征独立预测发热发生。采用自助聚合方法，我们创建了由 7,801 名无热和有热患者组成的平衡数据集，并分析了发热发生前最多 4 小时的特征。我们发现监督机器学习方法能够以高召回率、精确率和 F1 分数在发热发生前最多 4 小时预测危重患者发热。本研究证明了使用机器学习预测住院成人发热的可行性。通过机器学习和深度学习技术发现显著生理标志物，有潜力进一步加速针对医疗弱势患者的创新医疗交付协议与策略的开发和实施。
引用
@article{arxiv.2009.07103,
title = {Machine learning predicts early onset of fever from continuous physiological data of critically ill patients},
author = {Aditya Singh and Akram Mohammed and Lokesh Chinthala and Rishikesan Kamaleswaran},
journal= {arXiv preprint arXiv:2009.07103},
year = {2020}
}