用于早期脓毒症预测的多子集方法
机器学习
2023-04-14 v1
摘要
脓毒症是一种由宿主无法抵御感染所致、危及生命的器官功能障碍，若无恰当且及时的治疗可致死。因此，在脓毒症及脓毒症相关死亡高风险危重人群中对脓毒症进行早期诊断与医疗处置，对于为患者提供快速治疗至关重要。研究表明，将脓毒症检测提前 6 小时可更早使用抗生素，这与死亡率改善相关。然而，如序贯器官衰竭评估（SOFA）等临床评分不适用于早期预测，而机器学习算法可帮助捕捉进展模式以进行早期预测。因此，我们旨在开发一种在临床表现疑似前 6 小时预测脓毒症发作的机器学习算法。尽管一些机器学习算法已应用于脓毒症预测，其中多数未考虑到 6 小时并非小间隔这一事实。为克服此大间隔挑战，我们探索一种多子集方法，其中早于 6 小时发生脓毒症的可能性由前一子集输出，并作为附加特征馈入目标子集。此外，我们利用观察窗口内每小时采样的生命体征等数据推导时间变化趋势以进一步辅助，而这常被以往研究忽略。我们的实证研究表明，缓解 6 小时间隔的多子集方法与所添加的时间趋势特征均有助于提升脓毒症相关早期预测的性能。
引用
@article{arxiv.2304.06384,
title = {Multi-Subset Approach to Early Sepsis Prediction},
author = {Kevin Ewig and Xiangwen Lin and Tucker Stewart and Katherine Stern and Grant O'Keefe and Ankur Teredesai and Juhua Hu},
journal= {arXiv preprint arXiv:2304.06384},
year = {2023}
}