【摘要】：重癥監(jiān)護室是現(xiàn)在醫(yī)療救助中的重要組成部分。但重癥監(jiān)護室病患在使用呼吸器插管治療后,很容易感染肺炎。本研究針對重癥監(jiān)護室病人接受呼吸器插管治療后,肺炎感染狀況無法得到實時監(jiān)控和診斷的問題,提出了一種基于機器學習算法模型的呼吸器肺炎檢測方案。使用Cyranose 320型電子鼻裝置采集病患呼出氣體的數(shù)據(jù)資料。利用人工神經(jīng)網(wǎng)絡(luò)和支持向量機演算方法建立肺炎辨識模型,并利用交叉驗證的方法對上述模型進行驗證,以確定模型的穩(wěn)定性,最后使用整體方法建立人工神經(jīng)網(wǎng)絡(luò)肺炎辨識模型。結(jié)果顯示,人工神經(jīng)網(wǎng)絡(luò)和支持向量機模型對肺炎感染均具有很高的辨識率,其準確率(Accuracy,ACC)分別為0.9141±0.0313、0.8753±0.0389,靈敏度(Sensitivity,SEN)分別為0.9292±0.0553、0.8839±0.0585,陽性預測值(Positive Predictive Value,PPV)分別為0.8960±0.0242、0.8693±0.0240。人工神經(jīng)網(wǎng)絡(luò)相較支持向量機模型具有更好的肺炎辨識率。相較于傳統(tǒng)的建模方法,整體方法下的人工神經(jīng)網(wǎng)絡(luò)模型具有更好的肺炎辨識率,ACC值為0.9277±0.0170,SEN值為0.9512±0.0451,PPV值為0.9110±0.0355。此研究主要希望通過人工神經(jīng)網(wǎng)絡(luò)、支持向量機以及整體人工神經(jīng)網(wǎng)絡(luò)建立有效預測肺炎感染辨識模型,為醫(yī)師早期用藥提供科學有效的參考。
【圖文】：

圖 1.1 呼吸分析系統(tǒng)及工作界面吸器肺炎檢測發(fā)展現(xiàn)狀施崇鴻[4]提出藉由病患身體發(fā)散出來的揮發(fā)性有機化合物作為診斷病患是否感染肺炎的依據(jù)。鑒于市售的電子鼻在呼吸裝置上，為此，提出設(shè)計、研發(fā)、并整合一個低的電子系統(tǒng)芯片的計劃項目。其研發(fā)設(shè)計的電子鼻系統(tǒng)

圖 1.1 呼吸分析系統(tǒng)及工作界面器肺炎檢測發(fā)展現(xiàn)狀崇鴻[4]提出藉由病患身體發(fā)散出來的揮發(fā)性有機化合為診斷病患是否感染肺炎的依據(jù)。鑒于市售的電子呼吸裝置上，為此，，提出設(shè)計、研發(fā)、并整合一個電子系統(tǒng)芯片的計劃項目。其研發(fā)設(shè)計的電子鼻系
【學位授予單位】：貴州大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TH77

【參考文獻】

相關(guān)期刊論文 前1條

1 宋花玲;賀佳;黃品賢;李素云;;ROC曲線下面積估計的參數(shù)法與非參數(shù)法的應用研究[J];第二軍醫(yī)大學學報;2006年07期

本文編號：2616952