【摘要】：目的:急性腎損傷(Acute Kidney Injury,AKI)是臨床中的常見并發(fā)癥,在ICU中發(fā)病率較高、死亡率高,醫(yī)療花費成本高,對急性腎損傷進行早期預(yù)測預(yù)警有助于輔助醫(yī)護人員及早識別患者的惡化風(fēng)險,在早期對患者進行干預(yù)以預(yù)防進一步的損害。隨著電子健康檔案的發(fā)展以及數(shù)據(jù)挖掘、機器學(xué)習(xí)方法在醫(yī)療領(lǐng)域中的應(yīng)用,我們得以用大數(shù)據(jù)的研究方法對醫(yī)療數(shù)據(jù)進行挖掘,探究疾病的演化規(guī)律,這為我們深入研究AKI,發(fā)展AKI的預(yù)測預(yù)警模型提供了機會。然而對電子健康檔案的二次分析面臨的一大問題是數(shù)據(jù)的稀疏性與采樣的不均衡性造成的數(shù)據(jù)缺失,應(yīng)用電子健康檔案(Electronic Health Records,EHR)時間序列首先需要對缺失值進行處理。本研究將探討針對醫(yī)療時間序列如何選取插值方法,并基于集成學(xué)習(xí)與深度學(xué)習(xí)方法構(gòu)建AKI預(yù)測預(yù)警模型,為醫(yī)護人員提供更好的決策支持。方法:本研究首先ⅰ.)探討了連續(xù)動態(tài)生理數(shù)據(jù)中缺失值的插值方法,評估高斯過程(Gaussian Process,GP)在處理生理信號缺失中的有效性。ⅱ.)基于機器學(xué)習(xí)方法LightGBM模型探索AKI預(yù)測模型,在公開的大型ICU數(shù)據(jù)庫重癥監(jiān)護醫(yī)學(xué)信息數(shù)據(jù)庫(Medical Information Mart for Intensive Care,MIMIC-Ⅲ)中采用患者 24 小時內(nèi)首次生理生化測量值預(yù)測患者的發(fā)病風(fēng)險。ⅲ.)采用多變量注意力機制長短期記憶網(wǎng)絡(luò)-全卷積神經(jīng)網(wǎng)絡(luò)模型(MALSTM-FCN)構(gòu)建AKI時間序列預(yù)測模型,以患者入ICU后的時序數(shù)據(jù)預(yù)測當(dāng)前時間往后第2h、6h、12h以及第24h發(fā)展為AKI的風(fēng)險,并評估不同的缺失值的處理方法對模型性能的影響。結(jié)果:ⅰ.)高斯過程在處理生理信號缺失問題中表現(xiàn)優(yōu)異,在連續(xù)缺失與非連續(xù)缺失兩種缺失模式下,均方誤差(Mean-Square Error,MSE)均為最低。ⅱ.)MIMIC數(shù)據(jù)庫中滿足條件的21722名患者中,有8694名患者發(fā)展為AKI,發(fā)病率為40.0%。以患者首次測量值構(gòu)建AKI預(yù)測模型,LightGBM模型表現(xiàn)最佳(LightGBMAUC 0.93,ACC 0.87;隨機森林 AUC 0.90,ACC 0.86;Logistic 回歸 AUC 0.74,ACC 0.75)。ⅲ.)MALSTM-FCN時間序列預(yù)測模型及LightGBM模型結(jié)果顯示,提前2h、6h預(yù)測的最佳AUC分別為0.908(LightGBM-線性插值模型)和0.902(MALSTM-GP插值模型、LightGBM-線性插值模型),第12、24小時最佳的AUC分別為0.890(MSLATM-GP插值模型),0.877(MSLATM-GP插值模型)。預(yù)測準(zhǔn)確率最高的模型為MSLATM-GP插值模型,在2h、6h、12h及24h的預(yù)測準(zhǔn)確率分別為0.819、0.818、0.806 和 0.798。結(jié)論:機器學(xué)習(xí)方法為我們發(fā)展疾病預(yù)測模型提供了有效的手段,在處理生理信號缺失問題中,高斯過程插值表現(xiàn)優(yōu)異。采用高斯過程對EHR缺失數(shù)據(jù)進行插補并構(gòu)建AKI時序預(yù)測模型,提前2h LightGBM-線性插值預(yù)測模型的AUC可達0.908,MALSTM-高斯過程插值模型在提前6h、12h、24h的模型中表現(xiàn)最佳,AUC可達0.902、0.890 和 0.877。
【圖文】：

邐解放軍醫(yī)學(xué)院碩士學(xué)位論文邐逡逑第一部分高斯過程回歸插值逡逑１．１生理信號缺失值及插值方法概述逡逑ＥＨＲ中包含豐富的患者臨床信息，但傳統(tǒng)的醫(yī)療監(jiān)護方法很難規(guī)律地采集患者逡逑的數(shù)據(jù)，比如住院病人的生命體征數(shù)據(jù)每三到四小時監(jiān)測一次，而ＩＣＵ病人每小時逡逑監(jiān)測一次，生理生化指標(biāo)的測量頻率也不一致，由于操作的復(fù)雜性及頻繁檢測的必逡逑要性的考慮，生化指標(biāo)的測量次數(shù)往往少于生理指標(biāo)。這導(dǎo)致我們得到的醫(yī)療時間逡逑序列存在稀疏性及采樣不規(guī)律的問題。比如圖１為ＭＩＭＩＣ邋ＩＩＩ數(shù)據(jù)庫中ＩＣＵＳＴＡＹ逡逑ＪＤ為２０００９１的患者發(fā)生急性腎損傷７２小時前的十項生理生化指標(biāo)測量記錄，這逡逑些測量值的測量時間與測量頻率不盡相同，比如該患者的白細胞計數(shù)一共測量了邋３逡逑，量間大約２４ｈ，心一量４９，比密。逡逑

對于醫(yī)療數(shù)據(jù)時間序列，常用的數(shù)據(jù)缺失的處理方法有單項插補法（如線性插逡逑值、前向插值、樣條插值）或基于模型的方法（如高斯過程）。ａ．）線性插值假設(shè)在逡逑插值時間段內(nèi)數(shù)據(jù)有線性的變化趨勢，通過擬合線性方程填充缺失時刻的值，線性逡逑插值計算簡單，但不能捕捉非線性的變化趨勢［１６］。ｂ．）前向插值是醫(yī)療環(huán)境中常用逡逑的插值方法，這一方法使用前一時刻的值來替代當(dāng)前的缺失值，即假設(shè)數(shù)據(jù)在插值逡逑時間段內(nèi)沒有變化，這種方法低估了數(shù)據(jù)的波動性。ｃ．）樣條函數(shù)通過構(gòu)造樣條函數(shù)逡逑對數(shù)據(jù)進行擬合，其構(gòu)造簡單，在生理數(shù)據(jù)插補中應(yīng)用廣泛。ｄ．）高斯過程是近年來逡逑應(yīng)用在數(shù)據(jù)插補中的方法，它可以捕獲時間序列前后的相關(guān)性，捕捉數(shù)據(jù)長時間的逡逑變化趨勢。Ｆｅｎｇ等人采用氋斯過程對胎心率缺失值進行插補，結(jié)果顯示高斯過程比逡逑三次樣條插值的結(jié)果更準(zhǔn)確可靠［１７］。Ｏｌｉｖｅｒ等人用高斯過程回歸對含有噪聲的心電逡逑數(shù)據(jù)進行插補，與傳統(tǒng)回歸方法進行對比，插值的效果和魯棒性有顯著提升［１８］。逡逑對數(shù)據(jù)插補不當(dāng)會給模型引入額外的誤差和偏倚，，使模型的有效性降低。因此，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】：R692

【相似文獻】

相關(guān)期刊論文 前10條

1 董軍超;陳津虎;胡彥平;楊學(xué)印;;基于逆高斯過程的加速退化試驗失效機理一致性判定[J];強度與環(huán)境;2019年05期

2 鐘美;趙兵濤;黃朔;;基于高斯過程回歸的燃煤煙氣汞排放預(yù)測[J];動力工程學(xué)報;2016年12期

3 李慧瓊;;d維平穩(wěn)高斯過程極集的充分條件及維數(shù)[J];數(shù)學(xué)雜志;2007年05期

4 胡愛平;伍度志;;平穩(wěn)高斯過程最大值的極限分布[J];西南師范大學(xué)學(xué)報(自然科學(xué)版);2006年06期

5 謝盛榮;一類高斯過程在高水平u上的逗留[J];科學(xué)通報;1998年13期

6 陳振龍,徐賜文;d維平穩(wěn)高斯過程相交局部時的幾個性質(zhì)[J];武漢工業(yè)大學(xué)學(xué)報;1999年06期

7 侯炳旭;俞冀陽;徐沾杰;江光明;鄒志強;;利用高斯過程回歸對燃爆單元寬度的預(yù)測方法研究[J];核動力工程;2017年02期

8 李棕;崔得龍;;基于高斯過程回歸和強化學(xué)習(xí)的云資源調(diào)度算法[J];電子設(shè)計工程;2017年11期

9 吳明;宋博;王鋒;唐紅;;基于高斯過程分類的調(diào)制識別方法[J];計算機仿真;2015年10期

10 陳宗帥;楊昌明;閆利宇;;基于計算機模擬與高斯過程回歸的優(yōu)化設(shè)計方法[J];計算機光盤軟件與應(yīng)用;2014年14期

相關(guān)會議論文 前4條

1 周曉康;吳少川;;基于高斯過程回歸的室內(nèi)無線信號源定位[A];2018中國信息通信大會論文摘要集[C];2018年

2 劉信恩;;高斯過程響應(yīng)面法及其應(yīng)用研究[A];中國工程物理研究院科技年報（2010年版）[C];2011年

3 何志昆;劉光斌;姚志成;趙曦晶;;基于高斯過程回歸的FOG標(biāo)度因數(shù)溫度漂移建模新方法[A];第25屆中國控制與決策會議論文集[C];2013年

4 龐夢非;唐國安;張美艷;;參數(shù)不確定性對橋梁振動特性的影響[A];第十屆動力學(xué)與控制學(xué)術(shù)會議摘要集[C];2016年

相關(guān)博士學(xué)位論文 前10條

1 王洪橋;高斯過程回歸在不確定性量化中的應(yīng)用[D];上海交通大學(xué);2018年

2 孫立劍;基于高斯過程的復(fù)雜光學(xué)曲面重建和多傳感器數(shù)據(jù)融合方法研究[D];上海交通大學(xué);2018年

3 李平;面向任務(wù)的高斯過程隱變量模型擴展研究[D];南京航空航天大學(xué);2018年

4 陳凱;面向多任務(wù)模式學(xué)習(xí)與外推的自適應(yīng)高斯過程算法研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進技術(shù)研究院);2019年

5 于曉默;面向制造生產(chǎn)過程的高斯過程優(yōu)化理論研究及應(yīng)用[D];廣西大學(xué);2015年

6 洪曉丹;基于復(fù)雜噪聲的高斯過程回歸建模方法研究[D];東華大學(xué);2018年

7 潘偉;基于高斯過程的高爐煉鐵過程辨識與預(yù)測[D];浙江大學(xué);2012年

8 賀建軍;基于高斯過程模型的機器學(xué)習(xí)算法研究及應(yīng)用[D];大連理工大學(xué);2012年

9 房晟辰;基于高斯過程回歸及Trust-Tech的短期風(fēng)電功率預(yù)測方法[D];天津大學(xué);2016年

10 趙偉;復(fù)雜工程結(jié)構(gòu)可靠度分析的高斯過程動態(tài)響應(yīng)面方法研究[D];廣西大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 陳靖;基于高斯過程的阿爾茨海默病計算機輔助診斷[D];山東科技大學(xué);2018年

2 張淵;基于高斯過程的EHR時間序列插補及在AKI預(yù)測中的應(yīng)用研究[D];中國人民解放軍醫(yī)學(xué)院;2019年

3 姜珊;基于高斯過程的偏微分方程數(shù)值解法構(gòu)造[D];云南財經(jīng)大學(xué);2019年

4 張宇;基于高斯過程回歸的高鐵制動過程速度預(yù)測[D];北京交通大學(xué);2019年

5 李勇;雜波環(huán)境下基于高斯過程的擴展目標(biāo)跟蹤技術(shù)[D];杭州電子科技大學(xué);2019年

6 夏嘉欣;基于帶有噪聲輸入稀疏高斯過程的人體姿態(tài)分析[D];上海交通大學(xué);2018年

7 李爍;考慮測量誤差的逆高斯過程退化建模與加速退化試驗設(shè)計[D];上海交通大學(xué);2018年

8 李剛;基于高斯過程回歸的時間序列的研究與應(yīng)用[D];大連理工大學(xué);2019年

9 劉怡茹;基于高斯過程回歸的時間域航空電磁去噪方法研究[D];成都理工大學(xué);2019年

10 宋俊霖;基于高斯過程的李群動態(tài)系統(tǒng)狀態(tài)估計與運動規(guī)劃[D];哈爾濱工業(yè)大學(xué);2019年

本文編號：2661316