基于贝叶斯网络构建贝叶斯加权模型,进行重症监护病房(Intensive Care Unit,ICU)急性肾损伤患者死亡风险预测。以MIMIC-Ⅲ(Medical Information Mark for Intensive CareⅢ)数据库中急性肾损伤患者为研究对象,建立基础贝叶斯分类器,采用...基于贝叶斯网络构建贝叶斯加权模型,进行重症监护病房(Intensive Care Unit,ICU)急性肾损伤患者死亡风险预测。以MIMIC-Ⅲ(Medical Information Mark for Intensive CareⅢ)数据库中急性肾损伤患者为研究对象,建立基础贝叶斯分类器,采用AUC(Area Under Curve)和Accuracy进行混合加权计算的集成策略构建贝叶斯加权模型。实验结果表明,贝叶斯加权模型的AUC值为80.8%、Accuracy值为73.2%、F1-score值为72.4%,预测效果优于单独的贝叶斯网络模型、逻辑回归、支持向量机和随机森林。贝叶斯加权模型具有可解释的概率推理流程,对ICU急性肾损伤患者的死亡风险预测有一定的参考价值。展开更多
为了及早发现重症监护室中的急性肾损伤高危患者,为其提供适当的护理,实现医疗资源的合理利用,研究建立因果贝叶斯网络模型进行急性肾损伤高危患者死亡风险预测。从重症监护医学信息市场(Medical Information Mart for Intensive CareⅢ...为了及早发现重症监护室中的急性肾损伤高危患者,为其提供适当的护理,实现医疗资源的合理利用,研究建立因果贝叶斯网络模型进行急性肾损伤高危患者死亡风险预测。从重症监护医学信息市场(Medical Information Mart for Intensive CareⅢ,MIMIC-Ⅲ)数据库中筛选了25个研究变量和3870条患者数据,使用因果发现算法进行特征降维。通过NO TEARS算法构建因果图并建立因果贝叶斯网络进行实验,通过机器学习算法验证重要特征的合理性,并对网络结构进行因果效应估计,模型具有最高的受试者工作特征曲线下面积(Area Under the Receiver Operating Characteristic,AUROC)分数,为81.7%,优于逻辑回归(Logistic Regression,LR)、随机森林(Random Forest,RF)和极端梯度提升树(eXtreme Gradient Boosting,XGBoost)。此外,模型的重要特征预测能力在各种建模中都很稳健,构建的因果贝叶斯网络具有更好的预测效果并具备良好的解释能力。展开更多
文摘基于贝叶斯网络构建贝叶斯加权模型,进行重症监护病房(Intensive Care Unit,ICU)急性肾损伤患者死亡风险预测。以MIMIC-Ⅲ(Medical Information Mark for Intensive CareⅢ)数据库中急性肾损伤患者为研究对象,建立基础贝叶斯分类器,采用AUC(Area Under Curve)和Accuracy进行混合加权计算的集成策略构建贝叶斯加权模型。实验结果表明,贝叶斯加权模型的AUC值为80.8%、Accuracy值为73.2%、F1-score值为72.4%,预测效果优于单独的贝叶斯网络模型、逻辑回归、支持向量机和随机森林。贝叶斯加权模型具有可解释的概率推理流程,对ICU急性肾损伤患者的死亡风险预测有一定的参考价值。
文摘为了及早发现重症监护室中的急性肾损伤高危患者,为其提供适当的护理,实现医疗资源的合理利用,研究建立因果贝叶斯网络模型进行急性肾损伤高危患者死亡风险预测。从重症监护医学信息市场(Medical Information Mart for Intensive CareⅢ,MIMIC-Ⅲ)数据库中筛选了25个研究变量和3870条患者数据,使用因果发现算法进行特征降维。通过NO TEARS算法构建因果图并建立因果贝叶斯网络进行实验,通过机器学习算法验证重要特征的合理性,并对网络结构进行因果效应估计,模型具有最高的受试者工作特征曲线下面积(Area Under the Receiver Operating Characteristic,AUROC)分数,为81.7%,优于逻辑回归(Logistic Regression,LR)、随机森林(Random Forest,RF)和极端梯度提升树(eXtreme Gradient Boosting,XGBoost)。此外,模型的重要特征预测能力在各种建模中都很稳健,构建的因果贝叶斯网络具有更好的预测效果并具备良好的解释能力。
