首页 > 文献资料
-
基于XGBoost算法的ICU脓毒症患者 住院死亡风险预测研究
目的 使用XGBoost算法开发加强监护病房(ICU)中脓毒症患者住院死亡风险的预测模型.方法 使用美国大型重症数据库MIMIC-III作为数据来源;根据2016年发布的第三版脓毒症诊断和定义标准,选取数据库中的脓毒症患者,提取其生命体征、实验室检查等数据;使用XGBoost开发模型,并比较其与SVM模、SAPS-II模型的预测性能.结果 共纳入10487例脓毒症患者,住院死亡率20.80％.XGBoost模型的受试者工作特征曲线下面积(AUROC)为0.836(95％置信区间:0.819-0.853),优于SVM模型和SAPS-II模型.Hosmer–Lemeshow检验显示,XGBoost模型拥有优秀的校准度.结论 基于XGBoost的ICU脓毒症患者住院死亡风险预测模型能准确地辅助临床医生进行风险预测,从而采取合适的临床干预以降低ICU脓毒症患者的死亡率.
-
基于XGBoost算法的病例分型系统设计
目的:在国家推行按病种付费的大环境下,探索符合医院实际情况的病例分型具有重要意义.利用机器学习算法构建医院病例分型管理系统,探索不同病例的费用结构,服务医院管理.方法:利用ETL技术抽取病案系统相关数据至数据中心,利用XGBoost算法构建病例分型模型,再结合可视化技术在客户端展示分型结果相关指标.结果:实现医院病例分型工作的自动化,节约了医院病案室大量工作,分型结果服务医院绩效管理、医疗质控和费用管控等工作.结论:在人工智能火热的当下,积极探索基于算法的信息化系统建设服务医院管理十分必要.
-
应用机器学习方法建立大于胎龄儿预测模型
目的:尝试应用机器学习方法建立大于胎龄儿的风险预测模型.方法:回顾分析2013年1月1日至2014年12月31日于在浙江大学医学院附属妇产科医院规范产检并分娩的12683例孕妇的临床资料,包括孕妇年龄、身高、孕前体质量、孕期增重和各项化验结果及新生儿体重,运用Logistic回归和XGBoost两种机器学习算法构建大于胎龄儿的预测模型,评估这两种模型对大于胎龄儿预测的准确性.结果:XGBoost模型的受试者操作曲线的曲线下面积较大(0.92),Logistic回归模型较小(0.72),两者比较差异有统计学意义(P＜0.05).XGBoost模型的约登指数(0.63)、灵敏度(0.83)、特异度(0.80)均优于Logistic回归模型(0.34、0.65、0.68)(P均＜0.05).Logistic回归模型及XGBoost模型的阳性预测值均较低,分别为0.15、0.27.结论:机器学习方法(尤其是XGBoost)构建的模型预测大于胎龄儿的综合性能较强,具有潜在应用价值,值得进一步研究.
