【摘要】：目的本研究通過數(shù)據(jù)檢索技術(shù)從海量創(chuàng)傷數(shù)據(jù)中抽取創(chuàng)傷失血性休克傷員數(shù)據(jù),通過智能篩選方法提取創(chuàng)傷失血性休克關(guān)鍵指標(biāo),進(jìn)而應(yīng)用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)算法對時(shí)序數(shù)據(jù)進(jìn)行分析及模型驗(yàn)證,能對創(chuàng)傷失血性休克進(jìn)行預(yù)測預(yù)警,對模型性能進(jìn)行客觀評價(jià),提高醫(yī)護(hù)人員對該并發(fā)癥的提前感知能力,實(shí)現(xiàn)早干預(yù)、早治療,改善傷員預(yù)后,并為其他應(yīng)用大數(shù)據(jù)技術(shù)開展類似臨床決策支持研究提供一定參考。方法:(1)應(yīng)用數(shù)據(jù)檢索技術(shù)從MIMIC III數(shù)據(jù)庫中提取創(chuàng)傷失血性休克傷員數(shù)據(jù),使用粗糙集算法對包含傷員生命體征、血常規(guī)、血?dú)夥治�、凝血功能、血生化、尿常�?guī)的龐大指標(biāo)數(shù)據(jù)集進(jìn)行解析;進(jìn)而使用元胞遺傳算法進(jìn)行獨(dú)立重復(fù)實(shí)驗(yàn),根據(jù)指標(biāo)在篩選中被保留次數(shù)判定其識別能力,進(jìn)而形成新的關(guān)鍵指標(biāo)集。(2)根據(jù)被篩選出關(guān)鍵指標(biāo)對傷情識別能力不同,即被篩選保留次數(shù)不同,對關(guān)鍵指標(biāo)進(jìn)行重組及分組,以時(shí)間序列性關(guān)鍵指標(biāo)為分析對象,去除補(bǔ)缺后不能滿足研究需求的指標(biāo)。分別應(yīng)用機(jī)器學(xué)習(xí)中的邏輯回歸、支持向量機(jī)、樸素貝葉斯和AdaBoost對創(chuàng)傷失血性休克結(jié)局變量進(jìn)行預(yù)測,對分類器模型性能進(jìn)行評價(jià),分別獲得不同分組指標(biāo)集下各種算法所計(jì)算出的準(zhǔn)確率、召回率、精確率、F值,并對結(jié)果進(jìn)行比較。(3)分別使用MLP和GRU兩種神經(jīng)網(wǎng)絡(luò)模型,使用創(chuàng)傷失血性休克傷員階梯式關(guān)鍵指標(biāo),即分為僅生命體征、生命體征+血?dú)夥治龊蜕w征+血?dú)夥治?血常規(guī)共三種不同指標(biāo)組合,設(shè)置時(shí)間跨度為1小時(shí),調(diào)整時(shí)間步長,使模型表現(xiàn)最優(yōu),對模型性能進(jìn)行評價(jià),獲得不同分組指標(biāo)集下各種算法所計(jì)算出的準(zhǔn)確率、召回率、精確率、F值,并對結(jié)果進(jìn)行比較。(4)以解放軍總醫(yī)院急救數(shù)據(jù)庫中滿足研究條件的創(chuàng)傷傷員數(shù)據(jù)對已建立模型性能進(jìn)行客觀驗(yàn)證,獲得外部驗(yàn)證結(jié)果,并與內(nèi)部驗(yàn)證結(jié)果進(jìn)行實(shí)際比較,探討模型在其他數(shù)據(jù)集中的泛化性能。結(jié)果:(1)應(yīng)用元胞遺傳算法進(jìn)行10次獨(dú)立重復(fù)屬性約簡試驗(yàn),約簡保留10次的關(guān)鍵指標(biāo)為呼吸頻率和白細(xì)胞;約簡保留9次的關(guān)鍵指標(biāo)為天冬氨酸·氨基轉(zhuǎn)移酶;約簡保留8次的關(guān)鍵指標(biāo)為PC02、PH、體溫、尿比重;約簡保留7次的關(guān)鍵指標(biāo)為血漿纖維蛋白原測定、收縮壓、舒張壓;約簡保留6次的關(guān)鍵指標(biāo)為國際標(biāo)準(zhǔn)化比值、乳酸、氯化物、葡萄糖、心率。共發(fā)掘出10組最優(yōu)的關(guān)鍵指標(biāo)組合規(guī)則。(2)將待分析時(shí)間序列指標(biāo)分成包含全部指標(biāo)、13個(gè)關(guān)鍵指標(biāo)、8個(gè)關(guān)鍵指標(biāo)、6個(gè)關(guān)鍵指標(biāo)的共4組數(shù)據(jù)集,分別應(yīng)用4種機(jī)器學(xué)習(xí)算法進(jìn)行預(yù)測分析。當(dāng)應(yīng)用全指標(biāo)數(shù)據(jù)集時(shí),AdaBoost方法,在準(zhǔn)確率、召回率、精確率三方面均超過90%,表現(xiàn)優(yōu)于其他三種方法;在應(yīng)用不同數(shù)量關(guān)鍵指標(biāo)數(shù)據(jù)集時(shí),AdaBoost在應(yīng)用于包含13個(gè)關(guān)鍵指標(biāo)的數(shù)據(jù)集時(shí),F1.5值達(dá)到90.1%;應(yīng)用于全數(shù)據(jù)集時(shí),F1.5值達(dá)到91.8%,在4種算法中表現(xiàn)最優(yōu)。(3)使用GRU和MLP兩種神經(jīng)網(wǎng)絡(luò)模型分別在三組不同的預(yù)測預(yù)警指標(biāo)數(shù)據(jù)集上進(jìn)行預(yù)測,當(dāng)時(shí)間跨度為1h且時(shí)間步長為5時(shí)模型表現(xiàn)性能最優(yōu)。其中,應(yīng)用GRU進(jìn)行創(chuàng)傷失血性休克預(yù)測時(shí),單獨(dú)使用生命體征預(yù)測的F1 5值最高可達(dá)85.1%,當(dāng)保證F1.5值不低于80%時(shí),可提前2小時(shí)預(yù)測創(chuàng)傷失血性休克發(fā)生;使用生命體征和血?dú)夥治鲋笜?biāo)進(jìn)行預(yù)測時(shí),F1.5值最高可達(dá)86.3%,當(dāng)保證F1.5值不低于80%時(shí),可提前3小時(shí)預(yù)測創(chuàng)傷失血性休克發(fā)生;使用生命體征、血?dú)夥治龊脱Ｒ?guī)指標(biāo)進(jìn)行預(yù)測時(shí),Fi 5值最高可達(dá)90.1%,當(dāng)保證F1.5值不低于80%時(shí),可提前4小時(shí)預(yù)測創(chuàng)傷失血性休克發(fā)生。在使用相同指標(biāo)、提前相同時(shí)間時(shí),GRU的F1.5值均高于MLP,表面前者性能優(yōu)于后者。(4)通過外部驗(yàn)證,AdaBoost模型在內(nèi)部驗(yàn)證和外部驗(yàn)證中均取得了較好的表現(xiàn)性能,具有較好的魯棒性,其F1.5值最高達(dá)0.892,與外部驗(yàn)證結(jié)果最為接近;深度學(xué)習(xí)算法泛化性能欠佳,僅在準(zhǔn)確率方面與內(nèi)部驗(yàn)證結(jié)果接近。結(jié)論:(1)關(guān)鍵指標(biāo)篩選是開展創(chuàng)傷失血性休克預(yù)測預(yù)警,提高模型預(yù)測效能的重要基礎(chǔ),也是盡可能減少需求指標(biāo)數(shù)量,優(yōu)化模型的重要措施和手段。(2)使用機(jī)器學(xué)習(xí)方法能夠較好地對創(chuàng)傷失血性休克是否會發(fā)生進(jìn)行預(yù)測。當(dāng)應(yīng)用關(guān)鍵指標(biāo)集預(yù)測時(shí)可能存在最適指標(biāo)組合,需綜合考慮指標(biāo)采集的經(jīng)濟(jì)效益和時(shí)間效益。(3)使用深度學(xué)習(xí)對創(chuàng)傷失血性休克進(jìn)行預(yù)測預(yù)警,引入預(yù)測時(shí)間窗,提出預(yù)測指標(biāo)階梯化概念,當(dāng)僅使用可實(shí)時(shí)監(jiān)測的指標(biāo)且應(yīng)用算法能獲得較好的預(yù)測效能時(shí),在理論上就能對創(chuàng)傷失血性休克實(shí)施實(shí)時(shí)動(dòng)態(tài)預(yù)測預(yù)警。(4)通過外部數(shù)據(jù)集驗(yàn)證是檢測模型綜合性能和泛化性的有效方法,使用篩選獲得核心關(guān)鍵指標(biāo)時(shí)模型的泛化性能較好,說明應(yīng)用元胞遺傳粗糙算法篩選關(guān)鍵指標(biāo)對于提高模型性能方面的具有重要的應(yīng)用價(jià)值�？傊�,通過系列研究,獲得了多種能夠?yàn)榕R床創(chuàng)傷傷員進(jìn)行失血性休克預(yù)測預(yù)警的模型算法。下一步的研究重點(diǎn)是進(jìn)行嚴(yán)密的臨床驗(yàn)證,對實(shí)際預(yù)測效果進(jìn)行嚴(yán)格測試,不斷對模型進(jìn)行優(yōu)化改進(jìn)。
【圖文】：

創(chuàng)傷失血性休克的研究熱點(diǎn)領(lǐng)域是“外科學(xué)”、“重癥醫(yī)學(xué)”、“血液學(xué)”、“周圍血管性逡逑疾病”與“急救醫(yī)學(xué)”等領(lǐng)域。逡逑創(chuàng)傷失血性休克的領(lǐng)域共現(xiàn)網(wǎng)絡(luò)如圖１－１所示，選取網(wǎng)絡(luò)規(guī)模、網(wǎng)絡(luò)密度、平均逡逑度數(shù)、集聚系數(shù)、中心性、平均路徑長度６個(gè)指標(biāo)對領(lǐng)域共現(xiàn)網(wǎng)絡(luò)進(jìn)行描述，如表逡逑１－２所示。領(lǐng)域共現(xiàn)網(wǎng)絡(luò)密度為０．１１０，網(wǎng)絡(luò)非常疏散，領(lǐng)域間的共現(xiàn)關(guān)系不夠密切。逡逑網(wǎng)絡(luò)中心性為０．２６３，表明網(wǎng)絡(luò)集權(quán)現(xiàn)象不明顯，平均路徑長度為１．００，表明領(lǐng)域間逡逑平均通過１．００個(gè)路徑長度即可與其他領(lǐng)域進(jìn)行聯(lián)系。集聚系數(shù)為０．３５１，，表明領(lǐng)域集逡逑團(tuán)化不嚴(yán)重。逡逑表１－１創(chuàng)傷失血性休克研宄領(lǐng)域字段排序逡逑領(lǐng)域邋｜頻次｜占比｜排名｜邐領(lǐng)域邐｜頻次｜占比逡逑藥理學(xué)與藥劑學(xué)逡逑１邐外科學(xué)（Ｓｕｒｇｅｒｙ）邐５９５邐４１．４９％邐１１邐（Ｐｈａｒｍａｃｏｌｏｇｙ邋＆邐３３邐２．３０％逡逑邐Ｐｈａｒｍａｃｙ）邐逡逑２邐（Ｃｒｉｔｉｃａｌ邋５ｇ２邋４0邋５９0／0邐１２邐３１邐２．１６％逡逑邐Ｃａｒｅ邋Ｍｅｄｉｃｉｎｅ）邐（Ｉｍｍｕｎｏｌｏｇｙ）邐逡逑３邐血液１７３邐１２．０６％邐１３邋細(xì)邋子、（Ｃｄｌ邋３０邐２．０９％逡逑邐（Ｈｅｍａｔｏｌｏｇｙ；邐Ｂｉｏｌｏｇｙ）邐逡逑周憸管性疾病逡逑４邐（Ｐｅｒｉｐｈｅｒａｌ邐１５５邐１０．８１0／0邐１４邐ｃ＝＝邐２８邐乫逡逑邐邋Ｖａｓｃｕｌａｒ邋Ｄｉｓｅａｓｅ）邐Ｓｙｓｔｅｍｓ）邐逡逑ｗｍ＾邐＾逡逑５邐（Ｅｍｅｒｇｅｎｃｙ邋１２４邐８．６５％邐１５邐

邐Ｉ逡逑圖２－２數(shù)據(jù)總體缺失情況直方圖（紅色代表數(shù)據(jù)缺失）逡逑從圖２－２中可知原始數(shù)據(jù)缺失情況比較嚴(yán)重，如直接膽紅素、間接膽紅逡逑素等。同時(shí)，部分指標(biāo)數(shù)值明顯超出臨床工作中所能測得的理論閾值，且在逡逑整體數(shù)據(jù)中體現(xiàn)為明顯離群現(xiàn)象，因此進(jìn)行了去除。為了具體了解數(shù)據(jù)缺失逡逑比例以及數(shù)據(jù)分布情況，本研究對原始數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，分別計(jì)算實(shí)驗(yàn)組和對逡逑照組各指標(biāo)的相關(guān)統(tǒng)計(jì)量（缺失比例）如表２－３所示，從表中可以看出實(shí)驗(yàn)逡逑組和對照組中各個(gè)指標(biāo)均存在不同程度的缺失，且具有一定的差異性。為了逡逑進(jìn)一步對比在實(shí)驗(yàn)組和對照組中指標(biāo)缺失的差異，對實(shí)驗(yàn)組和對照組中缺失逡逑率在５０％以上的指標(biāo)進(jìn)行統(tǒng)計(jì)，其柱狀圖如圖２－３、２－４、２－５所示。逡逑２４逡逑
【學(xué)位授予單位】：中國人民解放軍醫(yī)學(xué)院
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP311.13;R605.971;R641

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馮憲梅;;危機(jī)管理配合無縫隙一體化急救護(hù)理在嚴(yán)重創(chuàng)傷失血性休克患者中的應(yīng)用[J];河南醫(yī)學(xué)研究;2019年22期

2 蘇穎U

本文編號：2593873