数据驱动的重症患者健康监测方法研究

摘要

重症监护室(ICU)主要收治生命危急但有可能挽救的危重病人，集中了医院中最先进的设备和优秀的医护人员，是医院的重要组成部分。病人进入ICU后会进行死亡率预测和健康状态的实时监测，从而在医疗资源得到最优分配的同时，达到良好的救治效果。由于病人病情的多样性和个人体质差异，医院用的大众化评分模型会浪费大量数据信息，无法跟踪病人实时状态，难以给出准确的预测结果。本文重点研究ICU病人个性化模型的建立，主要内容包括:
　　针对死亡率预测，本文提出“两步法JITL-ELM”，即先聚类后使用JITL-ELM分类的建模方法。JITL搜集与当前病人相似的样本构成训练数据集，ELM构建局部的个体化模型，而聚类过程缩减JITL的查询范围，提高搜索速度。为解决部分生理变量可能存在测量缺失的问题，本文提出“简化JITL-ELM”，使用10个生理变量来构建模型，其AUC指标与使用所有变量的ELM方法相近。最后选择PhysioNet网站的4000个病例进行实验，结果表明JITL-ELM的效果优于传统建模方法，例如医院普遍使用的SAPS-I评分系统。
　　针对健康状态监测，本文先利用局部加权映射回归将非线性系统线性化成若干线性模型，并在线性模型中使用PCA监测，最后将结果加权实现对当前状态进行监测。后提出了改进后的扩展方法如LWPR-MPCA，将监测指标合二为一。实验选择PhysioNet中的18名ICU患者的数据，结果表明本文算法能即时跟踪患者的状态，且无论从学习时间还是异常状态检测率，结果都优于传统主元分析算法和即时学习主元分析算法。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景与意义

1．1．1 重症监测介绍

1．1．2 重症监测过程

1．2 当前重症监测的问题与研究现状

1．2．1 死亡率预测研究现状

1．2．2 健康状态监测研究现状

1．3 本文主要内容和结构安排

第二章 预备知识

2．1 常见的数据驱动监测方法

2．2．1 逻辑回归

2．2．2 人工神经网络

2．2．3 多元统计分析

2．2 常用的评价标准

2．3 本章小结

第三章 基于JITL和ELM的死亡率预测

3．1 即时学习

3．1．1 JITL的基本思想

3．1．2 JITL的数学表示

3．2 极限学习机

3．3 JITL-ELM死亡率预测

3．3．1 JITL-ELM死亡率预测方法

3．3．2 改进后的JITL-ELM死亡率预测

3．4 实验设计及结果分析

3．4．1 实验数据来源

3．4．2 数据预处理过程

3．4．3 实验过程与结果

3．5 本章小结

第四章 基于PCA和LWPR的重症患者健康状态监测

4．1 主成分分析

4．2 局部加权映射回归

4．3 LWPR-PCA健康状态监测

4．4 其他健康状态监测方法

4．4．1 MPCA

4．4．2 JPCA

4．4．3 JITL-PCA

4．4．4 LWPR与其他方法的比较

4．5 实验设计与结果分析

4．5．1 实验数据来源

4．5．2 实验过程与结果

4．5．3 训练时间与样本集大小之间的关系

4．6 本章小结

第五章 总结与展望

参考文献

致谢

研究成果及已发表的学术论文

作者及导师简介