第１３卷㊀第３期Ｖｏｌ．１３Ｎｏ．３㊀
㊀
智㊀能㊀计㊀算㊀机㊀与㊀应㊀用
ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ
㊀
㊀２０２３年３月㊀
Ｍａｒ．２０２３
㊀㊀㊀㊀㊀㊀
文章编号：２０９５－２１６３（２０２３）０３－０２３１－０５
中图分类号：ＴＰ１８１
文献标志码：Ａ
基于机器学习的ＳＡＥ患者３０天死亡风险预测模型
刘㊀彬１，肖晓霞１，２，龚后武３，周㊀展１，郑立瑞１，谭建聪１
（１湖南中医药大学信息科学与工程学院，长沙４１０２０８；２湖南中医药大学中医学国内一流建设学科，长沙４１０２０８；
正则化是结构风险最小化策略的实现３东华医为科技有限公司，北京１０００８９）
摘㊀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㊂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㊂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㊁ＧＢＤＴ㊁ＸＧＢｏｏｓｔ三种算法建立３０天死亡风险预测模型㊂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㊂
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
３０－ｄａｙｍｏｒｔａｌｉｔｙｒｉｓｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｆｏｒＳＡＥｐａｔｉｅｎｔｓｂａｓｅｄｏｎｍａｃｈｉｎｅｌｅａｒｎｉｎｇ
ＬＩＵＢｉｎ１，ＸＩＡＯＸｉａｏｘｉａ１，２，ＧＯＮＧＨｏｕｗｕ３，ＺＨＯＵＺｈａｎ１，ＺＨＥＮＧＬｉｒｕｉ１，ＴＡＮＪｉａｎｃｏｎｇ１
（１ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＨｕｎａｎＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎｅｓｅＭｅｄｉｃｉｎｅ，Ｃｈａｎｇｓｈａ４１０２０８，Ｃｈｉｎａ；２ＴｈｅＤｏｍｅｓｔｉｃＦｉｒｓｔ－ｃｌａｓｓＤｉｓｃｉｐｌｉｎｅＣｏｎｓｔｒｕｃｔｉｏｎＰｒｏｊｅｃｔｏｆＣｈｉｎｅｓｅＭｅｄｉｃｉｎｅ，ＨｕｎａｎＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎｅｓｅＭｅｄｉｃｉｎｅ，
Ｃｈａｎｇｓｈａ４１０２０８，Ｃｈｉｎａ；３ＤＨＣＭｅｄｉｗａｙＴｅｃｈｎｏｌｏｇｙＣｏ．，Ｌｔｄ．，Ｂｅｉｊｉｎｇ１０００８９，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＳｅｐｓｉｓｒｅｌａｔｅｄｅｎｃｅｐｈａｌｏｐａｔｈｙ（ＳＡＥ）ｒｅｆｅｒｓｔｏｂｒａｉｎｄｙｓｆｕｎｃｔｉｏｎｏｃｃｕｒｒｉｎｇｉｎｔｈｅｃｏｕｒｓｅｏｆｓｅｐｓｉｓ，ｗｈｉｃｈｉｓｒｅｌａｔｅｄｔｏｔｈｅｒｉｓｅｏｆｓｈｏｒｔ－ｔｅｒｍｍｏｒｔａｌｉｔｙｉｎｓｅｐｓｉｓｐａｔｉｅｎｔｓ．Ｉｎｔｈｉｓｐａｐｅｒ，ｔｈｅｄａｔａｏｆｓｅｐｓｉｓｐａｔｉｅｎｔｓａｒｅｅｘｔｒａｃｔｅｄｆｒｏｍｔｈｅＭＩＭＩＣｄａｔａｂａｓｅ，ｗｈｅｒｅＳＡＥｉｓｄｅｆｉｎｅｄａｓｈａｖｉｎｇｓｅｐｓｉｓａｎｄＧＣＳｓｃｏｒｅｉｓｌｅｓｓｔｈａｎ１５．ＴｈｅＲＦＥａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｓｃｒｅｅｎｏｕｔｔｈｅｉｍｐｏｒｔａｎｔｆａｃｔｏｒｓａｆｆ
ｅｃｔｉｎｇｔｈｅ３０ｄａｙｍｏｒｔａｌｉｔｙｏｆＳＡＥｐａｔｉｅｎｔｓ，ａｎｄｔｈｅｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎ，ＧＢＤＴ，ＸＧＢｏｏｓｔａｒｅｕｓｅｄｔｏｅｓｔａｂｌｉｓｈｔｈｅ３０ｄａｙｍｏｒｔａｌｉｔｙｒｉｓｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｆｏｒＳＡＥｐａｔｉｅｎｔｓ．ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｅｄｉｃｔｉｏｎｅｆｆｅｃｔｏｆＧＢＤＴａｌｇｏｒｉｔｈｍｉｓｂｅｔｔｅｒｔｈａｎｏｔｈｅｒａｌｇｏｒｉｔｈｍｓ，ｗｉｔｈａｎａｃｃｕｒａｃｙｏｆ７８．６％ａｎｄａｎＡＵＣｏｆ７８．３％．Ｔｈｉｓｍｏｄｅｌｃａｎａｃｃｕｒａｔｅｌｙｐｒｅｄｉｃｔｔｈｅ３０ｄａｙｍｏｒｔａｌｉｔｙｏｆＳＡＥｐａｔｉｅｎｔｓ．
ʌＫｅｙｗｏｒｄｓɔｓｅｐｓｉｓ；ＳＡＥ；ＭＩＭＩＣｄａｔａｂａｓｅ；ｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎ；ＲａｎｄｏｍＦｏｒｅｓｔ
基金项目：２０１７年科技部十三五重点研发计划（２０１７ＹＦＣ１７０３３００）；大规模跨模态医疗知识管理㊂
作者简介：刘㊀彬（１９９７－），男，硕士研究生，主要研究方向：数据挖掘㊁自然语言处理；肖晓霞（１９７７－），女，博士，副教授，主要研究方向：中医
智能诊断㊁人工智能㊁生物医学工程等㊂
通讯作者：肖晓霞㊀㊀Ｅｍａｉｌ：ａｍｉｌｙ＿ｘ＠ｈｎｕｃｍ．ｅｄｕ．ｃｎ收稿日期：２０２２－１０－１７
０㊀引㊀言
脓毒症是由感染引起的全身炎症反应综合征，全球发病率较高，每年患脓毒症的人数约为３１００万，住院病死率约为１７％［１］㊂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，
是一种比较严重的脓毒症并发症，也是造成脓毒症患者死亡的独立危险因素［２］㊂并与人体行为㊁记忆㊁认知功能的长期损害密切相关，给患者的家庭和社会带来沉重的经济负担㊂仍需指出的是，ＳＡＥ患者的死亡率往往高于只患脓毒症的患者㊂格拉斯哥
昏迷评分法（ＧｌａｓｇｏｗＣｏｍａＳｃａｌｅ，ＧＣＳ）是一种用来评估病人昏迷程度的方法，满分为１５分［３］，表示意识清楚；１２ １４分表示轻度意识障碍；９ １１分表示中度意识障碍；８分以下为昏迷㊂Ｅｉｄｅｌｍａｎ等学者［４］的研究表明脑病与医院死亡率的增加成正相关性，当格拉斯哥昏迷评分（ＧＣＳ）为１５分时，死亡率为１６％，而当ＧＣＳ分数为３到８分时，死亡率为
６３％㊂Ｓｏｎｎｅｖｉｌｌｅ等学者［５］的研究也得出了类似的结论，研究显示当ＧＣＳ分数为１
５时，患者３０天生存率为６７％；当ＧＣＳ分数为３ ８分时，３０天生存率下降到３２％㊂即使发生轻度意识障碍（ＧＣＳ分数为
１２ １４）也是影响３０天死亡的一个独立危险因素㊂综上表明，ＳＡＥ对于脓毒症患者短期死亡率的增加是有影响的，而这将进一步影响患者的健康，同时加重医疗资源的消耗㊂
基于上述问题，识别出短期死亡率较高的ＳＡＥ患者，有利于及时进行医疗干预，对于改善这类患者的预后也具有重要的意义㊂因此本研究的主要目的是通过大型的临床数据库ＭＩＭＩＣ去提取相应的ＳＡＥ患者数据，然后通过ｒｆｅ算法［６］对相应特征进行筛选，选出影响ＳＡＥ患者３０天死亡率的重要特征，最后基于这些特征构建机器学习模型，用于改善ＳＡＥ患者的预后㊂
１㊀算法原理
１．１㊀ＲＦＥ特征筛选
特征递归消除（ＲｅｃｕｒｓｉｖｅＦｅａｔｕｒｅＥｌｉｍｉｎａｔｉｏｎ，ＲＦＥ）是一种用来衡量特征变量重要性的方法，通过重复构建模型，逐步迭代选出最重要的特征变量，能够寻出最优的特征子集，剔除不重要的特征变量㊂具体运算步骤如下：
（１）设定需要进行选择的特征数㊂（２）选择一个基模型来进行多轮训练，每次训练将Ｊ（ｋ）＝（ｗｋ）２作为每个特征的排序准则，并且每次迭代去除排序最后需要移除的特征数量㊂（３）基于新的特征集进行下一轮训练，直至特征个数为特征设定值㊂
本文选择的基模型为ＸＧＢｏｏｓｔ模型，对总计１７个特征进行筛选㊂
１．２㊀逻辑回归
逻辑回归［７］是一种广义的线性回归模型，属于机器学习中的监督算法，主要是用来解决二分类问题㊂该算法首先通过输入数据拟合出一条直线ｚ＝ｗＴｘ＋ｂ，显然这样的函数图像是一条斜线，难以达到最终想要的结果（０或１），于是要将ｚ通过一个函数映射成０ １之间的数，这个函数就是ｓｉｇｍｏｉｄ函数，式子如下：
ｇ（ｚ）＝１１＋ｅ－ｚ（１）㊀㊀然后，通过极大似然估计推导出损失函数：㊀Ｊ（ｗ）＝ｍｉｎ（－１ｎðｎｉ＝１［ｙｉ（ｗＴｘ＋ｂ）－ｌｎ（ｅｗＴｘ＋ｂ＋１）］）（２）最后，通过梯度下降法求解出式（２）中的参数，从而解决了二分类问题㊂１．３㊀ＧＢＤＴ
ＧＢＤＴ（ＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇＤｅｃｉｓｉｏｎＴｒｅｅ）是一种基于决策树的集成算法㊂算法采用将基函数线性组合的方法［８］，在训练过程中使得残差不断地减小，最终实现数据回归或者分类㊂ＧＢＤＴ算法的训练过程具体如图１所示㊂
融合模型
加权
学习
基分类器
铨部样栵
基分类器
学习
加权
图１㊀ＧＢＤＴ算法训练过程
Ｆｉｇ．１㊀ＧＢＤＴａｌｇｏｒｉｔｈｍｔｒａｉｎｉｎｇｐｒｏｃｅｓｓ
㊀㊀ＧＢＤＴ通过多轮迭代，产生多个弱分类器，每个分类器在上一轮分类器的梯度（如果损失函数是
平方损失函数，则梯度就是残差值）基础上进行训练㊂弱分类器一般会选择ＣＡＲＴＴＲＥＥ（分类回归树），这种树具有结构简单㊁高偏差㊁低方差的特点，因此十分适合用于ＧＢＤＴ算法的训练中㊂
１．４㊀ＸＧＢｏｏｓｔ
ＸＧＢｏｏｓｔ算法［９］是在ＧＢＤＴ算法的基础上发展而来的，主要改进有：算法不仅可以使用ＣＡＲＴ分类回归树，还能使用线性基础模型；在目标函数中加入了正则化项，用来防止模型出现过拟合；借鉴了随机森林的原理，支持列抽样，不仅能降低过拟合，还能够减少模型的计算量；考虑到了训练数据为稀疏值的情况，能为缺失值指定分支的默认方向，从而提高算法效率㊂
２㊀数据与方法
２．１㊀数据来源
ＭＩＭＩＣ［１０］（ＭｅｄｉｃａｌＩｎｆｏｒｍａｔｉｏｎＭａｒｔｆｏｒＩＣＵ）是一个大型的㊁免费提供的数据库，其中包括来自美国马萨诸塞州波士顿贝斯以列女执事医疗中心重症监护病房住院病人的高质量健康相关数据，数据包括生命体征㊁药物㊁化验数据㊁护理人员的观察和记录㊁输液㊁手术㊁诊断代码㊁成像报告㊁住院时间㊁生存数据㊂ＭＩＭＩＣ数据库到现在已经发布４个版本㊂ＭＩＭＩＣ－ＩＩ中包含２００１ ２００８年的数据，ＭＩＭＩＣ－Ⅲ
２３２智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀
包含２００１ ２０１２年的数据，ＭＩＭＩＣ－ＩＶ包含２００８ ２０１９年的数据㊂本文将基于ＭＩＭＩＣ－ＩＶ数据库抽取相应的ＳＡＥ患者数据㊂２．２㊀数据抽取
ＳＡＥ被定义为脓毒症患者中ＧＣＳ分数小于１５
的患者㊂研究使用的主要软件为ＮａｖｉｃａｔＰｒｅｍｉｕｍ（１５．０．１２版本），按照关键字［１１］ ｓ－ｅｐｓｉｓ ㊁ ｓｅｖｅｒｅｓｅｐｓｉｓ ㊁ ｓｅｐｔｉｃｓｈｏｃ－ｋ 从数据库中搜索被诊断为 脓毒症 ㊁ 严重脓毒症 ㊁ 脓毒症休克 患者的原始数据㊂根据以往研究，确定好纳排标准后进一步筛选患者㊂患者筛选的详细过程如图２所示㊂
被诊断为“脓毒症”、“严重脓毒症”、“脓毒症休克”的患者(n =13360）
剩余7681例进行
继续筛选
排除下列病人:
未入住I C U (n =3068）入住I C U 时间少于24h (n =1672）患有关脑部疾病(n =939）
排除下列病人:
患有精神疾病(n =120）酒精中毒、滥用药物(n =29）患癫痫(n =360）患高钠血症(n =971）患肝病(n =2）血糖数据缺失，血糖值大于180m g /d l ，血糖值小于54m g /d l (n =1351)血清值小于120m m o l /l (n =37)没有G C S 评分(n =3)
30天死亡(n =492)30天存活(n =1639)
2131例S A E 患者被纳
入最终队列，并进行下一步分析
经过纳排后，最终剩余4808例脓毒症患者，非S A E 患者2677例，S A E 患者2131例
图２㊀患者筛选图
Ｆｉｇ．２㊀Ｐａｔｉｅｎｔｓｃｒｅｅｎｉｎｇ
㊀㊀确定最终的ＳＡＥ患者后，根据此前的研究文
献，从ＭＩＭＩＣ数据库中提取患者首次入院时对应的年龄（ａｎｃｈｏｒ＿ａｇｅ）㊁性别（ｇｅｎ
ｄｅｒ）㊁住院天数（ｄａｙ）㊁葡萄糖（ｇｌｕｃｏｓｅ）㊁钠（ｓｏｄｉｕｍ）㊁ＧＣＳ分数（ｇｃｓ）㊁血小板（ｐｌａｔｅｌｅｔ）㊁肌酐（ｃｒｅａｔｉｎｉｎｅ）㊁血红蛋白（ｈｅｍｏｇｌｏｂｉｎ）㊁钾（ｐｏｔａｓｓｉｕｍ）㊁血尿素氮（ＢＵＮ）㊁白细胞（ＷＢＣ）㊁乳酸盐（ｌａｃｔａｔｅ）㊁血浆凝血酶原时间（ＰＴ）㊁心率（ｈｅａｒｔ＿ｒａｔｅ）㊁血氧饱和度（ｓｐｏ２）㊁呼吸速率（ｒｅｓｐｉｒａｔｏｒｙ＿ｒａｔｅ）㊁３０天是否死亡（ｍｏｒａｌｉｔｙ）㊂数据总计１７个特征属性，再加一个类别标签属性，其中类别标签表明患者是否在患病３０天内死亡㊂
２．３㊀数据预处理
提取了数据后，对数据的缺失情况进行统计，结果见表１㊂
表１㊀数据缺失情况表Ｔａｂ．１㊀Ｄａｔａｍｉｓｓｉｎｇｔａｂｌｅ
特征缺失数缺失比例／％
血小板６０．１２肌酐１０．０２血红蛋白５０．１０血尿素氮３０．０６白细胞６０．１２血氧饱和度１３０．２７乳酸盐
９５４１９．８４凝血酶原时间
３６５７．５９心率９０．１８呼吸频率
１２
０．２５
㊀㊀从表１的结果中可以看出１０个特征存在数据缺失的问题，缺失最多的特征是乳酸盐，缺失比例为
１９．８４％，缺失最少的是肌酐，仅缺失一例㊂根据文献［８］中对缺失数据的处理方法来看，缺失特征比例均小于２０％，予以保留，并统一采用平均值对其进行填补，在此基础上将对数据进行具体分析㊂３㊀结果
３．１㊀纳入病例的基本信息
总计纳入４８０８例脓毒症患者，其中２１３１例为
ＳＡＥ患者㊂ＳＡＥ患者年龄为１９ ９１岁之间，中位年龄数为６８岁㊂男性为１１２７例，女性为１００４例㊂
３０天内死亡病例为４９２例，存活病例为１６３９例，数据分布较为均衡㊂３．２㊀筛选得到的特征变量
根据ＲＦＥ特征筛选，每一轮筛选移去特征系数（ｗｋ）２最小的特征，直到特征个数为设定值㊂结果显示，当特征数设定为１３时，３个模型中ＧＢＤＴ的ＡＵＣ值最高，其在测试集上ＡＵＣ为０．７８３㊂此时选出的１３个特征分别为：年龄㊁住院天数㊁钠㊁ＧＣＳ分数㊁血小板㊁肌酐㊁钾㊁血尿素氮㊁乳酸盐㊁血浆凝血酶原时间㊁血氧饱和度㊁心率㊁呼吸速率㊂３．３㊀实验结果
将ＳＡＥ数据集按照７：３的比例随机划分为训练集和测试集进行训练㊂本文采用的评价指标为准确率㊁Ｐ值㊁Ｒ值㊁Ｆ１值㊁ＡＵＣ值㊂具体的实验结果见表２㊁表３㊂
３
３２第３期
刘彬，等：基于机器学习的ＳＡＥ患者３０天死亡风险预测模型
表２㊀未进行特征筛选结果
Ｔａｂ．２㊀Ｎｏｆｅａｔｕｒｅｆｉｌｔｅｒｉｎｇｒｅｓｕｌｔｓ
算法ＡｃｃｕｒａｃｙＰｒｅｃｉｓｉｏｎＲｅｃａｌｌＦ１ＳｃｏｒｅＡＵＣＬＲ
７６．１４３．０２３．９３０．８７２．２ＸＧＢｏｏｓｔ７７．７４９．５３３．８４０．２７５．５ＧＢＤＴ
７９．１
５４．７
３３．１
４１．２
７７．４
表３㊀特征筛选后结果
Ｔａｂ．３㊀Ｒｅｓｕｌｔｓａｆｔｅｒｆｅａｔｕｒｅｓｃｒｅｅｎｉｎｇ
算法ＡｃｃｕｒａｃｙＰｒｅｃｉｓｉｏｎＲｅｃａｌｌＦ１ＳｃｏｒｅＡＵＣＬＲ
７７．７４９．３２３．９３２．２７２．５ＸＧＢｏｏｓｔ７８．３５１．６３４．５４１．４７３．８ＧＢＤＴ
７８．６
５２．９
３１．７
３９．６
７８．３
㊀㊀从表２和表３中可以看出，数据集经过特征筛选后，３个模型的某些指标得到了提高㊂逻辑回归模型的准确率提高了１．６％㊁精度提高了６．３％㊁Ｆ１
值提高了１．４％㊁ＡＵＣ值提高了０．３％；ＸＧｂｏｏｓｔ模型的准确率提高了０．６％㊁精度提高了２．１％㊁召回率提高了０．７％㊁Ｆ１值提高了１．２％；ＧＢＤＴ模型的ＡＵＣ值提高了０．９％㊂
为了更直观地比较３个不同算法的性能，绘制的ＲＯＣ曲线如图３所示㊂
L R 的A U C 值为0.725
G B D T 的A U C 值为0.783X G B 的A U C 值为0.738
1.0
0.8
0.6
0.4
0.2
00.2
0.40.6
0.81.0
假正例
真正例
图３㊀３种分类算法的ＲＯＣ曲线
Ｆｉｇ．３㊀ＲＯＣｃｕｒｖｅｓｏｆｔｈｒｅｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｌｇｏｒｉｔｈｍｓ
㊀㊀从图３中可以看出，在３个算法中ＧＢＤＴ算法的ＡＵＣ值最大㊁为０．７８３，说明ＧＢＤＴ算法性能最优，更适合用于ＳＡＥ患者３０天死亡预测㊂
４㊀分析与讨论
在这项基于ＭＩＭＩＣ－ＩＶ数据库的研究中，从
ＭＩＭＩＣ数据库中抽取出对应的ＳＡＥ患者数据，然后使用了ＲＦＥ特征选择，筛选出了与ＳＡＥ患者３０天
死亡率相关的危险因素，最后基于这些特征建立了
３个机器学习模型去对ＳＡＥ患者３０天死亡进行预测㊂其中，ＧＢＤＴ算法对于ＳＡＥ患者３０天死亡预测效果最佳，其精度为５２．９％，准确率为７８．６％㊁ＡＵＣ值为７８．３％，３个指标均为不同算法中最高的㊂与其它研究方法进行对比，文献［３］提出的列线图模型在训练集上的ＡＵＣ值为
０．７６３，在验证集上的ＡＵＣ值为０．７５３，均比本文提出的ＧＢＤＴ算法的ＡＵＣ值略低㊂说明本文提出的模型性能更优㊁泛化能力也更强㊂目前，对于ＳＡＥ的是具有挑战性的，有许多关于脓毒症的指南列出了各种脓毒症的建议，但却很少有ＳＡＥ的建议㊂有关ＳＡＥ患者死亡预测的研究也较为匮乏，本研究很好地弥补了这方面的空白㊂从应用价值来看，本文提出的ＧＢＤＴ预测模型能够辅助临床医生去评估ＳＡＥ患者的预后，从而制定出相应的措施，降低患者死亡率㊂一旦研究出针对ＳＡＥ的具体方法，该模型的应用价值就会更高㊂未来可以开发一款能嵌入电子医疗系统的软件，该软件能够在不增加临床医生工作时间和负担的情况下，辅助临床医生及时ＳＡＥ㊂
５㊀结束语
本文基于ＭＩＭＩＣ数据库，提取相应的脓毒症患者数据，并通过ＧＣＳ分数进一步筛选出ＳＡＥ患者的数据㊂然后经过ＲＦＥ特征筛选，筛选出１３个重要的特征㊂使用逻辑回归㊁ＸＧＢｏｏｓｔ㊁ＧＢＤＴ三种算法基于筛选后的特征进行建模，实验结果表明，ＧＢＤＴ算法更适合用于ＳＡＥ患者３０天死亡预测，其ＡＵＣ值为７８．３％，高于其他２种算法，也比其他文献中的
方法略好㊂对于ＳＡＥ患者的预后具有一定的参考价值㊂
本次研究也存在局限性，即只对该数据库进行了内部验证，在今后的研究中还需要根据其它的数据进行外部验证，以进一步检验模型的鲁棒性和性能㊂参考文献
［１］ＦＬＥＩＳＣＨＭＡＮＮＣ，ＳＣＨＥＲＡＧＡ，ＡＤＨＩＫＡＲＩＮＫ，ｅｔａｌ．
Ａｓｓｅｓｓｍｅｎｔｏｆｇｌｏｂａｌｉｎｃｉｄｅｎｃｅａｎｄｍｏｒｔａｌｉｔｙｏｆｈｏｓｐｉｔａｌ－ｔｒｅａｔｅｄ
ｓｅｐｓｉｓ．ｃｕｒｒｅｎｔｅｓｔｉｍａｔｅｓａｎｄｌｉｍｉｔａｔｉｏｎｓ［Ｊ］．ＡｍｅｒｉｃａｎＪｏｕｒｎａｌｏｆＲｅｓｐｉｒａｔｏｒｙＡｎｄＣｒｉｔｉｃａｌＣａｒｅＭｅｄｉｃｉｎｅ，２０１６，１９３（３）：２５９－２７２．
［２］周艺蕉，杨春燕，苏美仙．脓毒症相关性脑病脑功能监测的研究
进展［Ｊ］．医学综述，２０２２（１６）：３２４６－３２５１．
（下转第２４１页）
４
３２智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀
㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀
［６］ＲＥＤＭＯＮＪ，ＤＩＶＶＡＬＡＳ，ＧＩＲＳＨＩＣＫＲ，ｅｔａｌ．Ｙｏｕｏｎｌｙｌｏｏｋｏｎｃｅ：ｕｎｉｆｉｅｄ，ｒｅａｌ－ｔｉｍｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．ＮｅｗＹｏｒｋ：ＩＥＥＥ，２０１６：７７９－７８８．
［７］ＲＥＤＭＯＮＪ，ＦＡＲＨＡＤＩＡ．ＹＯＬＯ９０００：Ｂｅｔｔｅｒ，ｆａｓｔｅｒ，ｓｔｒｏｎｇｅｒ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．ＮｅｗＹｏｒｋ：ＩＥＥＥ，２０１７：６５１７－６５２５．［８］ＲＥＤＭＯＮＪ，ＦＡＲＨＡＤＩＡ．ＹＯＬＯＶ３：Ａｎｉｎｃｒｅｍｅｎｔａｌｉｍｐｒｏｖｅｍｅｎｔ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２０１８ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．ＳａｌｔＬａｋｅＣｉｔｙ，Ｕｔａｈ：ＩＥＥＥ，２０１８：１－６．
［９］ＢＯＣＨＫＯＶＳＫＩＹＡ，ＷＡＮＧＣＹ，ＬＩＡＯＨＹＭ．ＹＯＬＯｖ４：Ｏｐｔｉｍａｌｓｐｅｅｄａｎｄａｃｃｕｒａｃｙｏｆｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．ＮｅｗＹｏｒｋ：ＩＥＥＥ，２０２０：１－１７．
［１０］ＬＩＵＷｅｉ，ＡＮＧＵＥＬＯＶＤ，ＥＲＨＡＮＤ，ｅｔａｌ．ＳＳＤ：ｓｉｎｇｌｅｓｈｏｔｍｕｌｔｉｂｏｘｄｅｔｅｃｔｏｒ［Ｍ］／／ＬＥＩＢＥＢ，ＭＡＴＡＳＪ，ＳＥＢＥＮ，ｅｔａｌ．ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ－ＥＣＣＶ２０１６．ＥＣＣＶ２０１６．ＬｅｃｔｕｒｅＮｏｔｅｓｉｎＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ（）．Ｃｈａｍ：Ｓｐｒｉｎｇｅｒ，２０１６，９９０５：２１－３７．［１１］ＬＩＮＴＹ，ＧＯＹＡＬＰ，ＧＩＲＳＨＩＣＫＲ，ｅｔａｌ．Ｆｏｃａｌｌｏｓｓｆｏｒｄｅｎｓｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２０１７ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．Ｐｉｓｃａｔａｗａｙ：ＩＥＥＥ，２０１７：２９９９－３００７．
［１２］杨传礼，张修庆．基于机器视觉和深度学习的材料缺陷检测应用综述［Ｊ］．材料导报，２０２２，３６（１６）：２２６－２３４．
［１３］戚银城，武学良，赵振兵，等．嵌入双注意力机制的ＦａｓｔｅｒＲ－
ＣＮＮ航拍输电线路螺栓缺陷检测［Ｊ］．中国图象图形学报，２０２１，２６（１１）：２５９４－２６０４．
［１４］王宸，张秀峰，刘超，等．改进ＹＯＬＯｖ３的轮毂焊缝缺陷检测［Ｊ］．光学精密工程，２０２１，２９（０８）：１９４２－１９５４．
［１５］李鑫，汪诚，李彬，等．改进ＹＯＬＯｖ５的钢材表面缺陷检测算法［Ｊ］．空军工程大学学报（自然科学版），２０２２，２３（０２）：２６－３３．［１６］刘坡，方源，张建军，等．基于特征融合ＳＳＤ的微电连接器缺陷检测［Ｊ］．华中科技大学学报（自然科学版），２０２２，５０（０３）：４９－５４．
［１７］ＨＥＫａｉｍｉｎｇ，ＺＨＡＮＧＸｉａｎｇｙｕ，ＲＥＮＳｈａｏｑｉｎｇ，ｅｔａｌ．Ｓｐａｔｉａｌｐｙｒａｍｉｄｐｏｏｌｉｎｇｉｎｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｓｆｏｒｖｉｓｕａｌｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓ＆Ｍａｃｈｉｎｅｉｎｔｅｌｌｉｇｅｎｃｅ，２０１５，３７（９）：１９０４－１９１６．
［１８］ＺＨＥＮＧＺｈａｏｈｕｉ，ＷＡＮＧＰｉｎｇ，ＬＩＵＷｅｉ，ｅｔａｌ．Ｄｉｓｔａｎｃｅ－ＩｏＵｌｏｓｓ：ｆａｓｔｅｒａｎｄｂｅｔｔｅｒｌｅａｒｎｉｎｇｆｏｒｂｏｕｎｄｉｎｇｂｏｘｒｅｇｒｅｓｓｉｏｎ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ３４ｔｈＡＡＡＩＣｏｎｆｅｒｅｎｃｅｏｎＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ．ＮｅｗＹｏｒｋ：ＡＡＡＩ，２０２０：１２９９３－１３０００．
［１９］ＬＩＮＴＹ，ＤＯＬＬÁＲＰ，ＧＩＲＳＨＩＣＫＲ，ｅｔａｌ．Ｆｅａｔｕｒｅｐｙｒａｍ
ｉｄｎｅｔｗｏｒｋｓｆｏｒｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２０１７ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ（ＣＶＰＲ）．Ｈｏｎｏｌｕｌｕ，ＵＳＡ：ＩＥＥＥ，２０１７：９３６－９４４．
［２０］ＬＩＵＳｈｕ，ＱＩＬｕ，ＱＩＮＨａｉｆｅｎｇ，ｅｔａｌ．Ｐａｔｈａｇｇｒｅｇａｔｉｏｎｎｅｔｗｏｒｋｆｏｒｉｎｓｔａｎｃｅｓｅｇｍｅｎｔａｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．ＳａｌｔＬａｋｅＣｉｔｙ，ＵＴ，ＵＳＡ：ＩＥＥＥ，２０１８：８７５９－８７６８．
（上接第２３４页）
［３］ＹＡＮＧＹａｎｇ，ＬＩＡＮＧＳｈｅｎｇｒｕ，ＧＥＮＧＪｉｅ，ｅｔａｌ．Ｄｅｖｅｌｏｐｍｅｎｔｏｆａｎｏｍｏｇｒａｍｔｏｐｒｅｄｉｃｔ３０－ｄａｙｍｏｒｔａｌｉｔｙｏｆｐａｔｉｅｎｔｓｗｉｔｈｓｅｐｓｉｓ－ａｓｓｏｃｉａｔｅｄｅｎｃｅｐｈａｌｏｐａｔｈｙ：Ａｒｅｔｒｏｓｐｅｃｔｉｖｅｃｏｈｏｒｔｓｔｕｄｙ［Ｊ］．ＪｏｕｒｎａｌｏｆＩｎｔｅｎｓｉｖｅＣａｒｅ，２０２０，８（１）：１－１２．
［４］ＥＩＤＥＬＭＡＮＬＡ，ＰＵＴＴＥＲＭＡＮＤ．Ｔｈｅｓｐｅｃｔｒｕｍｏｆｓｅｐｔｉｃｅｎｃｅｐｈａｌｏｐａｔｈｙ［Ｊ］．ＪｏｕｒｎａｌｏｆｔｈｅＡｍｅｒｉｃａｎＭｅｄｉｃａｌＡｓｓｏｃｉａｔｉｏｎ，１９９６，２７５（６）：４７０－４７３．
［５］ＳＯＮＮＥＶＩＬＬＥＲ，ＭＯＮＴＭＯＬＬＩＮＥＤ，ＰＯＵＪＡＤＥＪ，ｅｔａｌ．Ｐｏｔｅｎｔｉａｌｌｙｍｏｄｉｆｉａｂｌｅｆａｃｔｏｒｓｃｏｎｔｒｉｂｕｔｉｎｇｔｏｓｅｐｓｉｓ－ａｓｓｏｃｉａｔｅｄｅｎｃｅｐｈａｌｏｐａｔｈｙ［Ｊ］．ＩｎｔｅｎｓｉｖｅＣａｒｅＭｅｄｉｃｉｎｅ，２０１７（８）：１０７５－１０８４．［６］綦方中，俞婷婷，朱国荣．一种基于ＲＦＥ特征选择的ＰＳＯ－ＳＶＲ用电需求预测模型［Ｊ］．计算机应用研究，２０２０，３７（Ｓ１）：１０５－１０７．［７］郭志恒，刘青萍，刘芳，等．基于机器学习算法的脑卒中疾病早期预测模型研究［Ｊ］．计算机与数字工程，２０２１，４９（１１）：２１８０－２１８３，２２４７．
［８］夏冰．基于ＧＢＤＴ算法的空气冲旋钻井机械速度预测方法［Ｊ］．制造业自动化，２０２２，４４（０３）：１８５－１８８．
［９］王延安，刘庆芳，成卫．基于ＸＧＢｏｏｓｔ算法的道路交通事故严重程度预测［Ｊ］．软件导刊，２０２２，２１（０５）：８４－８８．
［１０］张家艳，郑建立，郑西川，等．ＭＩＭＩＣ数据库智能挖掘研究概述［Ｊ］．计算机技术与发
展，２０２０，３０（０１）：１４４－１４８．
［１１］ＨＯＵＮａｎｚｏｎｇ，ＬＩＭｉｎｇｚｈｅ，ＨＥＬｕ，ｅｔａｌ．Ｐｒｅｄｉｃｔｉｎｇ３０－ｄａｙｓｍｏｒｔａｌｉｔｙｆｏｒＭＩＭＩＣ－ＩＩＩｐａｔｉｅｎｔｓｗｉｔｈｓｅｐｓｉｓ－３：ＡｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｐｐｒｏａｃｈｕｓｉｎｇＸＧｂｏｏｓｔ［Ｊ］．ＪｏｕｒｎａｌｏｆＴｒａｎｓｌａｔｉｏｎａｌＭｅｄｉｃｉｎｅ，２０２０，１８（１）：４６２．
１４２
第３期李俊杰，等：基于改进ＹＯＬＯｖ３的电容表面缺陷检测方法

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。