杨鹏程 1,2 , 陈锋 1 , 张广 1 , 余明 1 , 吕蒙 1 , 王春晨 1 , 王春飞 3 , 吴太虎 1
  • 1. 军事科学院 系统工程研究院 卫勤保障技术研究所(天津 300161);
  • 2. 解放军第 12 医院 信息科(新疆喀什 844000);
  • 3. 解放军第 174 医院 医学工程科(福建厦门 361000);
导出 下载 收藏 扫码 引用

急性呼吸窘迫综合征(ARDS)是一种严重威胁人类生命健康的疾病,具有起病急、病死率高等特点。目前这种疾病的主要诊断和疾病严重程度分级标准依赖于血气分析结果,从而计算患者的氧合指数(PaO2/FiO2,P/F),但是血气分析是有创操作,且不能连续监测病情的发展。针对以上问题,我们提出了一种新的 ARDS 疾病严重程度的辨识算法。基于患者的多种无创生理参数,结合特征选择技术,对多种生理参数进行重要性排序。利用交叉验证技术评估辨识性能,比较不同特征子集下,使用神经网络、逻辑回归、AdaBoost、Bagging 四种监督学习算法的分类结果。通过不同特征子集下不同算法的敏感性、特异性、准确率、曲线下面积(AUC)来综合选择最优的特征子集和分类算法。我们利用四种监督学习算法,对 ARDS 严重程度进行区分(P/F ≤ 300)。根据 AUC 来评估算法性能,AdaBoost 在使用 20 个特征时,AUC = 0.832 1,准确率为 74.82%,取得了最优的 AUC。根据特征个数来评估算法性能,Bagging 在使用 2 个特征时,AUC = 0.819 4,准确率为 73.01%。该方法相较于传统方法有较大的优势,能够连续监测 ARDS 患者的病情发展,为医务人员提供辅助诊断建议。

  • 上一篇

    不同屈曲状态下肘关节内侧副韧带生物力学的有限元分析
  • 下一篇

    不同屈曲状态下肘关节内侧副韧带生物力学的有限元分析