深度学习功能在重症监护病房患者死亡关联因素预测中的应用

摘要：

目的 利用FP-Growth和Apriori算法的深度学习(deep learning,DL)功能预测重症监护病房(ICU)患者院内死亡的关联因素.方法 筛选美国重症监护医学信息数据库-Ⅲ(medical information mart for intensive care-Ⅲ,MIMIC-Ⅲ)中患者10 000 例,包含死亡患者1 320例,收集其基线资料进行回顾性研究.使用SPSS Modeler 18.0 软件编制FP-Growth和Apriori算法程序,通过DL功能计算 1 320 例死亡患者的基线资料间有效强关联规则.对全部患者行Logistic回归分析导致死亡的独立风险因素.参考Logistic回归分析对患者死亡风险的预测结果来验证DL功能的预测结果.结果 通过DL功能计算获得死亡患者的基线资料间有效强关联规则9 项,其前项包括:年龄、急性生理学与慢性健康状况评估系统Ⅱ(APACHEⅡ)评分、序贯器官衰竭评分(SOFA)、院内感染、机械通气、动静脉插管、动静脉插管时间、导尿管插管.除"肝脏疾病"和"昏迷"外,DL功能同Logistic回归分析预测结果高度一致.两种方法预测结果的比较在一定程度上证实DL功能的科学性和可靠性.结论 基于FP-Growth和Apriori算法的DL功能可用于预测ICU患者死亡的关联因素,具有一定应用和推广价值.

关键词：深度学习(DL)、FP-Growth算法、Apriori算法、重症监护病房(ICU)、死亡、预测

所属期刊栏目：43

分类号：R472;TP311;R742

资助基金：河北省医学科学研究课题20220589

在线出版日期：2023-06-29（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：440-444