基于机器学习的SAE患者30天死亡风险预测模型

摘要：

脓毒症相关性脑病(SAE)是指在患脓毒症过程中发生的脑功能障碍,其与脓毒症患者短期死亡率的上升有关.本文从MIMIC数据库中抽取相关的脓毒症患者数据,其中SAE被定义为患脓毒症且GCS分数小于15分.使用RFE算法筛选出影响SAE患者30天死亡率的危险因素,对SAE病例数据采用逻辑回归、GBDT、XGBoost三种算法建立30天死亡风险预测模型.实验结果表明,GBDT算法的预测效果优于另外2种算法,其准确率为78.6％,AUC为78.3％,该模型能够对SAE患者30天死亡情况进行较为准确的预测.

关键词：脓毒症、脓毒症相关性脑病、MIMIC数据库、逻辑回归、随机森林

所属期刊栏目：13

分类号：TP181(自动化基础理论)

资助基金：科技部十三五重点研发计划;大规模跨模态医疗知识管理

在线出版日期：2023-04-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：231-234,241