基于机器学习预测解释铜绿假单胞菌感染患者风险的方法

摘要

一种基于机器学习预测预警铜绿假单胞菌感染患者临床风险的方法，选取医疗机构收入的患者临床特征，包括患者的人口学特征、生活习惯、临床体征、实验室指标、细菌培养等信息作为输入特征；选用机器学习模型XGBoost作为训练模型动态预测患者的死亡风险；提出了患者风险的预警算法；并基于SHAP方法进一步对患者进行个体化指标风险分析并输出可视化分析结果。实现多点监测，多特征的患者临床变化的风险预警和临床特征分析。涉及数据统计学、人工智能等领域。实现了铜绿假单胞菌感染患者风险的准确预测预警和结果可视化，增加了预测结果的可信度，便于非计算机技术领域的医护人员理解、使用。