CN111897857A - 主动脉夹层心脏手术后icu时长预测方法 - Google Patents
主动脉夹层心脏手术后icu时长预测方法 Download PDFInfo
- Publication number
- CN111897857A CN111897857A CN202010781503.2A CN202010781503A CN111897857A CN 111897857 A CN111897857 A CN 111897857A CN 202010781503 A CN202010781503 A CN 202010781503A CN 111897857 A CN111897857 A CN 111897857A
- Authority
- CN
- China
- Prior art keywords
- icu
- training
- cardiac surgery
- data
- aortic dissection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000007675 cardiac surgery Methods 0.000 title claims abstract description 30
- 208000002251 Dissecting Aneurysm Diseases 0.000 title claims abstract description 28
- 206010002895 aortic dissection Diseases 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000010801 machine learning Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000003066 decision tree Methods 0.000 claims description 33
- 238000007477 logistic regression Methods 0.000 claims description 13
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 210000004369 blood Anatomy 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 210000005245 right atrium Anatomy 0.000 claims description 5
- 210000001631 vena cava inferior Anatomy 0.000 claims description 5
- 210000002620 vena cava superior Anatomy 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 206010002329 Aneurysm Diseases 0.000 claims description 3
- 206010003210 Arteriosclerosis Diseases 0.000 claims description 3
- 208000037260 Atherosclerotic Plaque Diseases 0.000 claims description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 3
- 102000003855 L-lactate dehydrogenase Human genes 0.000 claims description 3
- 108700023483 L-lactate dehydrogenases Proteins 0.000 claims description 3
- 208000001826 Marfan syndrome Diseases 0.000 claims description 3
- 238000004820 blood count Methods 0.000 claims description 3
- 230000015271 coagulation Effects 0.000 claims description 3
- 238000005345 coagulation Methods 0.000 claims description 3
- 229940109239 creatinine Drugs 0.000 claims description 3
- 239000000539 dimer Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000008103 glucose Substances 0.000 claims description 3
- 230000003907 kidney function Effects 0.000 claims description 3
- 210000000265 leukocyte Anatomy 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000001356 surgical procedure Methods 0.000 claims description 3
- 238000002224 dissection Methods 0.000 abstract description 2
- 238000011084 recovery Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 210000003191 femoral vein Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004768 organ dysfunction Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种主动脉夹层心脏手术后ICU时长预测方法,包括步骤:从主动脉夹层心脏手术后ICU数据库获取ICU数据,并进行数据预处理;基于kendall相关系数,对预处理后的ICU数据进行特征提取,取其中相关系数值高于预设阈值的特征;构建机器学习模型,基于提取的ICU数据特征对构建的机器学习模型进行训练;训练完成后,通过患者实时的主动脉夹层心脏手术后ICU数据,对其ICU时长进行预测。通过本发明,能够及对患者动脉夹层心脏手术后ICU时长进行预测,提高患者及家属对病情及恢复过程的掌握程度,同时也可为医护人员制备医疗计划提供有力支撑。
Description
技术领域
本发明涉及机器学习技术领域,更具体地说,涉及一种主动脉夹层心脏手术后ICU时长预测方法。
背景技术
医院重症监护室(Intensive Care Unit,ICU)是个危重病密集、病情多变、危象丛生的场所,对危重病人进行连续或接近连续的观察、诊疗和监护的地方。ICU救治小小的不及时就会大大增加病人死亡的风险。在产生这些危及情况的前期,一些不寻常的生命体征就会出现,并伴随着常见并发症。目前的医疗ICU治疗手段主要依靠医生的经验和相关领域知识的积累,使得工作效率和诊疗质量不高。目前在患者病情监控评估领域,各种医疗条件下有许多使用医学知识的评分***。例如,在患者肾衰竭的结果可以用急性生理评分(12生理变量),慢性健康评分(器官功能障碍)进行预测,并利用APACHEⅡ评分进行整体评估。这些传统的医学评分方法能够一定程度上对病人的病情进行评估,但是评分体系刻板,个性化程度低,而且无法实现对患者术后ICU时长进行预测。
发明内容
针对现有方法的不足,提出一种主动脉夹层心脏手术后ICU时长预测方法。
本发明解决其技术问题所采用的技术方案是:构造一种主动脉夹层心脏手术后ICU时长预测方法,包括:
从主动脉夹层心脏手术后ICU数据库获取ICU数据,并进行数据预处理;其中,预处理的方式至少包括虚拟变量处理、数据清洗及缺失填补处理;
基于kendall相关系数,对预处理后的ICU数据进行特征提取,取其中相关系数值高于预设阈值的特征;
构建机器学习模型,基于提取的ICU数据特征对构建的机器学习模型进行训练;
训练完成后,通过患者实时的主动脉夹层心脏手术后ICU数据,对其ICU时长进行预测。
其中,在对预处理后的ICU数据进行特征提取的步骤中,基于kendall相关系数算法,从获取的ICU数据中提取与ICU时长相关的特征,选取结果相关系数在整体分布中大于75%的特征,作为训练机器学习模型的数据集。
其中,结果相关系数在整体分布中大于75%的特征数量为14种,具体类型包括:血小板体积、有动脉瘤、无动脉瘤、有马方氏综合征、无马方氏综合征、右心房与静脉腔中静脉导管的位置、上下腔静脉中静脉导管的位置、手术时间、白细胞数、空腹血糖、体外循环时间、血液生化:乳酸脱氢酶、凝血四项:d-二聚体、肾功能:肌酸酐。
其中,在构建机器学习模型的步骤中,选用贝叶斯、逻辑回归、决策树、随机森林以及梯度提升决策树的方式,来进行建模比较。
其中,贝叶斯建模步骤中,贝叶斯决策论是通过相关概率已知的情况下利用误判损失来选择最优的类别分类,公式表示为式(1):
其中,P(c)是类“先验”概率,P(x|c)是样本x相对于类标记c的类条件概率,或称似然,p(x)是用于归一化的“证据”因子,对于给定样本x,证据因子p(x)与类标记无关,于是,估计p(c|x)的问题变为基于训练数据来估计p(c)和p(x|c),对于条件概率p(x|c)来说,涉及x所有属性的联合概率。
其中,逻辑回归建模步骤中,逻辑回归是被Sigmoid函数归一化后的线性回归模型,公式表示为式(2):
在分类情况下,经过学习后的逻辑回归分类器是一组权值θ,当有测试样本输入时,这组权值与测试数据按照加权得到。
其中,决策树建模步骤中,将决策树看成if-else规则的集合:由决策树的根结点到叶结点的每一条路径构建一条规则,路径上内部结点的特征对应着规则的条件,而叶结点的类对应着规则的结论,每一个实例都被一条路径或一条规则所覆盖,而且只被一条路径或一条规则所覆盖;其中,所述覆盖是指特征与路径上的特征一致或实例满足规则的条件。
其中,随机森林建模步骤中,包括步骤:
从原始训练集中使用Bootstraping方法随机有放回采样取出m个样本,共进行ntree次采样,生成ntree个训练集;
对ntree个训练集,分别训练ntree个决策树模型;
对于单个决策树模型,假设训练样本特征的个数为n,那么每次***时根据信息增益/信息增益比/基尼指数,选择最好的特征进行***;
每棵树都已知这样***下去,知道该节点的所有训练样例都属于同一类,在决策树的***过程中不需要剪枝;
将生成的多颗决策树组成随机森林。对于分类问题,按照多棵树分类器投票决定最终分类结果;对于回归问题,由多颗树预测值的均值决定最终预测结果。
其中,梯度增强決策树建模步骤中,梯度增强決策树模型通过将Boosting方法和Decision Tree相结合得到;
其中,Boosting算法的工作机制是从训练集用初始权重训练第一弱学习器,根据第一弱学习器的学习误差率来更新训练样本的权重,使得之前第一弱学习器中学习误差率高的训练样本点权重变高;
误差率高的点在第二弱学习器中得到更高的重视,利用调整权重后的训练集来训练第二弱学习器,如此重复进行,直到弱学习器数达到事先指定的数目T,最终将这T个弱学习器通过集合策略进行整合,得到最终的强学习器。
其中,在建模完成的步骤之后,还包括对各机器学习模型的能效进行验证评估的步骤,其中采用准确率(PPV)、错误率(NPV)、Fscore、敏感性、特异性以及AUC方面来进行各机器学习模型效能的评估。
区别于现有技术,本发明提供了一种主动脉夹层心脏手术后ICU时长预测方法,包括步骤:从主动脉夹层心脏手术后ICU数据库获取ICU数据,并进行数据预处理;基于kendall相关系数,对预处理后的ICU数据进行特征提取,取其中相关系数值高于预设阈值的特征;构建机器学习模型,基于提取的ICU数据特征对构建的机器学习模型进行训练;训练完成后,通过患者实时的主动脉夹层心脏手术后ICU数据,对其ICU时长进行预测。通过本发明,能够及对患者动脉夹层心脏手术后ICU时长进行预测,提高患者及家属对病情及恢复过程的掌握程度,同时也可为医护人员制备医疗计划提供有力支撑。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明提供的一种主动脉夹层心脏手术后ICU时长预测方法的流程示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
参阅图1,本发明提供了一种主动脉夹层心脏手术后ICU时长预测方法,包括:
从主动脉夹层心脏手术后ICU数据库获取ICU数据,并进行数据预处理;其中,预处理的方式至少包括虚拟变量处理、数据清洗及缺失填补处理;
基于kendall相关系数,对预处理后的ICU数据进行特征提取,取其中相关系数值高于预设阈值的特征;
构建机器学习模型,基于提取的ICU数据特征对构建的机器学习模型进行训练;
训练完成后,通过患者实时的主动脉夹层心脏手术后ICU数据,对其ICU时长进行预测。
其中,预处理的过程中,以静脉插管部位(上下腔静脉=1,右心房/腔静脉=2,股静脉=3)来举例说明,在原始数据中量化处理没有任何问题,但是在计算上却会出现问题。在数值上来说2是1的两倍。但是并不能说明右心房/腔静脉的茶馆部位数据是上下腔静脉的两倍。因此进行虚拟变量的处理,所谓的虚拟变量,是指原本不存在的变量,在处理中新增出来。如表1所示:
表1虚拟变量预处理
对于原始数据中,带有许多人为的错误,需要进行数据清理,即在运行程序时遇到错误的时候使用条件语句的方式进行替换。
在原始数据中存在许多缺失的部分,若数据量多,则将对应数据删除;若数据量过少,不宜采取删除的方式,改用众数填补缺失。
在对预处理后的ICU数据进行特征提取的步骤中,基于kendall相关系数算法,从获取的ICU数据中提取与ICU时长相关的特征,选取结果相关系数在整体分布中大于75%的特征,作为训练机器学习模型的数据集。将所有的特征包含虚拟变量一共131个特征与目标值进行相关系数计算后,选取整体分布前75%的特征进行建模,选取的结果相关系数在整体分布中大于75%的特征數量一共14个。具体类型包括:血小板体积、有动脉瘤、无动脉瘤、有马方氏综合征、无马方氏综合征、右心房与静脉腔中静脉导管的位置、上下腔静脉中静脉导管的位置、手术时间、白细胞数、空腹血糖、体外循环时间、血液生化:乳酸脱氢酶、凝血四项:d-二聚体、肾功能:肌酸酐。
其中,在构建机器学习模型的步骤中,选用贝叶斯、逻辑回归、决策树、随机森林以及梯度提升决策树的方式,来进行建模比较。
其中,贝叶斯建模步骤中,贝叶斯决策论是通过相关概率已知的情况下利用误判损失来选择最优的类别分类,公式表示为式(1):
其中,P(c)是类“先验”概率,P(x|c)是样本x相对于类标记c的类条件概率,或称似然,p(x)是用于归一化的“证据”因子,对于给定样本x,证据因子p(x)与类标记无关,于是,估计p(c|x)的问题变为基于训练数据来估计p(c)和p(x|c),对于条件概率p(x|c)来说,涉及x所有属性的联合概率。
其中,逻辑回归建模步骤中,逻辑回归是被Sigmoid函数归一化后的线性回归模型,公式表示为式(2):
在分类情况下,经过学习后的逻辑回归分类器是一组权值θ,当有测试样本输入时,这组权值与测试数据按照加权得到。
其中,决策树建模步骤中,将决策树看成if-else规则的集合:由决策树的根结点到叶结点的每一条路径构建一条规则,路径上内部结点的特征对应着规则的条件,而叶结点的类对应着规则的结论,每一个实例都被一条路径或一条规则所覆盖,而且只被一条路径或一条规则所覆盖;其中,所述覆盖是指特征与路径上的特征一致或实例满足规则的条件。
其中,随机森林建模步骤中,包括步骤:
从原始训练集中使用Bootstraping方法随机有放回采样取出m个样本,共进行ntree次采样,生成ntree个训练集;
对ntree个训练集,分别训练ntree个决策树模型;
对于单个决策树模型,假设训练样本特征的个数为n,那么每次***时根据信息增益/信息增益比/基尼指数,选择最好的特征进行***;
每棵树都已知这样***下去,知道该节点的所有训练样例都属于同一类,在决策树的***过程中不需要剪枝;
将生成的多颗决策树组成随机森林。对于分类问题,按照多棵树分类器投票决定最终分类结果;对于回归问题,由多颗树预测值的均值决定最终预测结果。
其中,梯度增强決策树建模步骤中,梯度增强決策树模型通过将Boosting方法和Decision Tree相结合得到;
其中,Boosting算法的工作机制是从训练集用初始权重训练第一弱学习器,根据第一弱学习器的学习误差率来更新训练样本的权重,使得之前第一弱学习器中学习误差率高的训练样本点权重变高;
误差率高的点在第二弱学习器中得到更高的重视,利用调整权重后的训练集来训练第二弱学习器,如此重复进行,直到弱学习器数达到事先指定的数目T,最终将这T个弱学习器通过集合策略进行整合,得到最终的强学习器。
其中,在建模完成的步骤之后,还包括对各机器学习模型的能效进行验证评估的步骤,其中采用准确率(PPV)、错误率(NPV)、Fscore、敏感性、特异性以及AUC方面来进行各机器学习模型效能的评估。验证评估结果如表2所示:
表2模型的评估验证
其中,NB、LR、DT、RF及GBDT分别表示贝叶斯、逻辑回归、决策树、随机森林以及梯度提升决策树的建模方式,通过表2可知,梯度提升决策树的建模方式稳定效果最佳。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种主动脉夹层心脏手术后ICU时长预测方法,其特征在于,包括:
从主动脉夹层心脏手术后ICU数据库获取ICU数据,并进行数据预处理;其中,预处理的方式至少包括虚拟变量处理、数据清洗及缺失填补处理;
基于kendall相关系数,对预处理后的ICU数据进行特征提取,取其中相关系数值高于预设阈值的特征;
构建机器学习模型,基于提取的ICU数据特征对构建的机器学习模型进行训练;
训练完成后,通过患者实时的主动脉夹层心脏手术后ICU数据,对其ICU时长进行预测。
2.根据权利要求1所述的主动脉夹层心脏手术后ICU时长预测方法,其特征在于,在对预处理后的ICU数据进行特征提取的步骤中,基于kendall相关系数算法,从获取的ICU数据中提取与ICU时长相关的特征,选取结果相关系数在整体分布中大于75%的特征,作为训练机器学习模型的数据集。
3.根据权利要求2所述的主动脉夹层心脏手术后ICU时长预测方法,其特征在于,结果相关系数在整体分布中大于75%的特征数量为14种,具体类型包括:血小板体积、有动脉瘤、无动脉瘤、有马方氏综合征、无马方氏综合征、右心房与静脉腔中静脉导管的位置、上下腔静脉中静脉导管的位置、手术时间、白细胞数、空腹血糖、体外循环时间、血液生化:乳酸脱氢酶、凝血四项:d-二聚体、肾功能:肌酸酐。
4.根据权利要求1所述的主动脉夹层心脏手术后ICU时长预测方法,其特征在于,在构建机器学习模型的步骤中,选用贝叶斯、逻辑回归、决策树、随机森林以及梯度提升决策树的方式,来进行建模比较。
7.根据权利要求4所述的主动脉夹层心脏手术后ICU时长预测方法,其特征在于,决策树建模步骤中,将决策树看成if-else规则的集合:由决策树的根结点到叶结点的每一条路径构建一条规则,路径上内部结点的特征对应着规则的条件,而叶结点的类对应着规则的结论,每一个实例都被一条路径或一条规则所覆盖,而且只被一条路径或一条规则所覆盖;其中,所述覆盖是指特征与路径上的特征一致或实例满足规则的条件。
8.根据权利要求4所述的主动脉夹层心脏手术后ICU时长预测方法,其特征在于,随机森林建模步骤中,包括步骤:
从原始训练集中使用Bootstraping方法随机有放回采样取出m个样本,共进行ntree次采样,生成ntree个训练集;
对ntree个训练集,分别训练ntree个决策树模型;
对于单个决策树模型,假设训练样本特征的个数为n,那么每次***时根据信息增益/信息增益比/基尼指数,选择最好的特征进行***;
每棵树都已知这样***下去,知道该节点的所有训练样例都属于同一类,在决策树的***过程中不需要剪枝;
将生成的多颗决策树组成随机森林。对于分类问题,按照多棵树分类器投票决定最终分类结果;对于回归问题,由多颗树预测值的均值决定最终预测结果。
9.根据权利要求4所述的主动脉夹层心脏手术后ICU时长预测方法,其特征在于,梯度增强決策树建模步骤中,梯度增强決策树模型通过将Boosting方法和Decision Tree相结合得到;
其中,Boosting算法的工作机制是从训练集用初始权重训练第一弱学习器,根据第一弱学习器的学习误差率来更新训练样本的权重,使得之前第一弱学习器中学习误差率高的训练样本点权重变高;
误差率高的点在第二弱学习器中得到更高的重视,利用调整权重后的训练集来训练第二弱学习器,如此重复进行,直到弱学习器数达到事先指定的数目T,最终将这T个弱学习器通过集合策略进行整合,得到最终的强学习器。
10.根据权利要求4所述的主动脉夹层心脏手术后ICU时长预测方法,其特征在于,在建模完成的步骤之后,还包括对各机器学习模型的能效进行验证评估的步骤,其中采用准确率(PPV)、错误率(NPV)、Fscore、敏感性、特异性以及AUC方面来进行各机器学习模型效能的评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010781503.2A CN111897857A (zh) | 2020-08-06 | 2020-08-06 | 主动脉夹层心脏手术后icu时长预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010781503.2A CN111897857A (zh) | 2020-08-06 | 2020-08-06 | 主动脉夹层心脏手术后icu时长预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111897857A true CN111897857A (zh) | 2020-11-06 |
Family
ID=73246517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010781503.2A Pending CN111897857A (zh) | 2020-08-06 | 2020-08-06 | 主动脉夹层心脏手术后icu时长预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111897857A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793502A (zh) * | 2021-09-15 | 2021-12-14 | 国网电动汽车服务(天津)有限公司 | 无信号灯控制下的行人过街预测方法 |
CN116246752A (zh) * | 2023-03-27 | 2023-06-09 | 中国医学科学院肿瘤医院 | 一种全身麻醉术后恶心呕吐预测模型的生成和使用方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111261282A (zh) * | 2020-01-21 | 2020-06-09 | 南京航空航天大学 | 一种基于机器学习的脓毒症早期预测方法 |
CN111370126A (zh) * | 2020-03-17 | 2020-07-03 | 杭州妞诺科技有限公司 | 基于惩罚集成模型的icu死亡率预测方法及*** |
-
2020
- 2020-08-06 CN CN202010781503.2A patent/CN111897857A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111261282A (zh) * | 2020-01-21 | 2020-06-09 | 南京航空航天大学 | 一种基于机器学习的脓毒症早期预测方法 |
CN111370126A (zh) * | 2020-03-17 | 2020-07-03 | 杭州妞诺科技有限公司 | 基于惩罚集成模型的icu死亡率预测方法及*** |
Non-Patent Citations (1)
Title |
---|
许侨洋: "基于特征提取的ICU患者死亡风险预测研究", 中国硕士学位论文全文数据库 信息科技辑 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793502A (zh) * | 2021-09-15 | 2021-12-14 | 国网电动汽车服务(天津)有限公司 | 无信号灯控制下的行人过街预测方法 |
CN113793502B (zh) * | 2021-09-15 | 2022-08-09 | 国网电动汽车服务(天津)有限公司 | 无信号灯控制下的行人过街预测方法 |
CN116246752A (zh) * | 2023-03-27 | 2023-06-09 | 中国医学科学院肿瘤医院 | 一种全身麻醉术后恶心呕吐预测模型的生成和使用方法 |
CN116246752B (zh) * | 2023-03-27 | 2024-01-16 | 中国医学科学院肿瘤医院 | 一种全身麻醉术后恶心呕吐预测模型的生成和使用方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108511057A (zh) | 输血量模型建立及预测方法、装置、设备及其存储介质 | |
Ogunleye et al. | Enhanced XGBoost-based automatic diagnosis system for chronic kidney disease | |
Choubey et al. | GA_J48graft DT: a hybrid intelligent system for diabetes disease diagnosis | |
CN111897857A (zh) | 主动脉夹层心脏手术后icu时长预测方法 | |
CN108630312A (zh) | 一种高血压诊断规则库自动生成方法及装置 | |
CN112542242A (zh) | 数据转换/症状评分 | |
Kwakye et al. | Machine learning-based classification algorithms for the prediction of coronary heart diseases | |
CN108877924A (zh) | 一种哮喘概率的确定方法及装置 | |
Trivedi et al. | Machine learning based evaluations of stress, depression, and anxiety | |
Souza et al. | Identifying risk factors for heart failure: A case study employing data mining algorithms | |
Du et al. | The effects of deep network topology on mortality prediction | |
Samanta et al. | Prediction of periventricular leukomalacia. Part II: Selection of hemodynamic features using computational intelligence | |
JP7498169B2 (ja) | 木構造ベースのデータ探索方法およびデータ駆動型プロトコル | |
CN109979591B (zh) | 一种基于图神经网络分析斑块进展因子的方法及装置 | |
US20230037183A1 (en) | Storage medium, adjustment method, and information processing apparatus | |
Iliyas et al. | Prediction of heart disease using decision tree | |
CN115273176A (zh) | 一种基于生命体征和表情的疼痛多算法客观评估方法 | |
Riyaz et al. | Ensemble learning for coronary heart disease prediction | |
Umamaheswari et al. | Prediction of myocardial infarction using K-medoid clustering algorithm | |
Umut et al. | Prediction of sepsis disease by Artificial Neural Networks | |
Adawiyah et al. | Hospital Length of Stay Prediction based on Patient Examination Using General features | |
El-Shafiey et al. | Heart-Disease Prediction Method Using Random Forest and Genetic Algorithms | |
Manjunathan et al. | Cardiovascular disease prediction using enhanced support vector machine algorithm | |
Haynatzki | Prediction of survival models: A comparison between machine learning and cox regression | |
CN115719647B (zh) | 融合主动学习和对比学习的血透并发心血管疾病预测*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201106 |