论文部分内容阅读
心力衰竭(Heart failure,HF)是由于心脏的结构或者功能异常导致心室充盈或射血能力受损的一组复杂临床综合征,诊疗难度大、预后差、死亡率高是心衰疾病的主要特点。在临床上,评估心衰患者的预后状况并对其发展的过程进行干预,对一些预后差的患者对症下药,选择最佳治疗方案,有重要的意义。本文以重症医学数据库(Medical Information Mart for Intensive Care,MIMIC-III v1.4)为研究对象,提取出心衰患者的临床信号以及心电信号,并基于机器学习技术建立心力衰竭预后评估模型。本文的研究内容主要包括以下几点:
(1)建立基于循环注意力模型(Recurrent Attention Network,RAN)的心衰预后评估模型。首先利用词频与逆向文件频率模型(Term Frequency-Inverse Document Frequency,TF-IDF)、词到向量(Word to Vecter,Word2vec)与隐含狄利克雷分布(Latent Dirichlet Allocation,LDA)模型,构建病历文本特征向量;其次结合多核学习(Multi-Kernel Learning,KML)实现文本数据特征向量与结构化临床信息特征融合;最后利用循环神经网络的注意力机制建立心衰患者五年内是否死亡的预测模型。实验结果显示,该模型达到了90.7%的准确率,同时还可以得到影响心衰病人五年内死亡预后情况的特征重要性排名。该模型可以挖掘出电子病历背后隐藏的丰富信息,为医生的临床决策及患者的自我管理提供很大的帮助,降低心衰患者的死亡率。
(2)建立基于自注意力双向门控单元(Bi-directional Gate Recurrent Units,BiGRU)网络的预后评估模型。首先将临床信号的特征和提取出来的心电信号特征输入到BiGRU网络模型与自注意力模型中,分别获取心衰患者的特征向量与特征向量的权重值;然后将双向门控递归单元层得到的特征向量与自注意力机制输出的权重向量点乘运算;最后将得到的结果通过softmax分类器,得到心衰患者的预后情况。实验证明,该模型最终准确率达到了94.7%,同时也得出影响心衰预后结果的特征权重。该模型可以辅助医生对预后状况不良的患者进行临床干预,延缓病人的病情进展,帮助患者选择最佳治疗方案,对改善患者的生活质量,提高生存率有重要的意义。
(1)建立基于循环注意力模型(Recurrent Attention Network,RAN)的心衰预后评估模型。首先利用词频与逆向文件频率模型(Term Frequency-Inverse Document Frequency,TF-IDF)、词到向量(Word to Vecter,Word2vec)与隐含狄利克雷分布(Latent Dirichlet Allocation,LDA)模型,构建病历文本特征向量;其次结合多核学习(Multi-Kernel Learning,KML)实现文本数据特征向量与结构化临床信息特征融合;最后利用循环神经网络的注意力机制建立心衰患者五年内是否死亡的预测模型。实验结果显示,该模型达到了90.7%的准确率,同时还可以得到影响心衰病人五年内死亡预后情况的特征重要性排名。该模型可以挖掘出电子病历背后隐藏的丰富信息,为医生的临床决策及患者的自我管理提供很大的帮助,降低心衰患者的死亡率。
(2)建立基于自注意力双向门控单元(Bi-directional Gate Recurrent Units,BiGRU)网络的预后评估模型。首先将临床信号的特征和提取出来的心电信号特征输入到BiGRU网络模型与自注意力模型中,分别获取心衰患者的特征向量与特征向量的权重值;然后将双向门控递归单元层得到的特征向量与自注意力机制输出的权重向量点乘运算;最后将得到的结果通过softmax分类器,得到心衰患者的预后情况。实验证明,该模型最终准确率达到了94.7%,同时也得出影响心衰预后结果的特征权重。该模型可以辅助医生对预后状况不良的患者进行临床干预,延缓病人的病情进展,帮助患者选择最佳治疗方案,对改善患者的生活质量,提高生存率有重要的意义。