패혈증은 감염에 대한 신체의 극단적인 반응으로 인해 발생하는 생명을 위협하는 의학적 상태로, 조기에 발견하고 치료하지 않으면 장기 기능 장애와 사망에 이를 수 있습니다. 패혈증의 적시 식별은 복잡한 생리학적 패턴과 비특이적인 초기 증상으로 인해 전 세계 의료 시스템에서 중요한 도전 과제가 되고 있습니다. 본 논문은 환자의 바이탈 징후와 생리적 매개변수를 사용하여 패혈증을 조기에 예측하기 위한 포괄적인 기계 학습 및 심층 학습 기반 접근 방식을 제시합니다. 제안된 시스템은 로지스틱 회귀, 랜덤 포레스트, XGBoost 및 장기 단기 메모리(LSTM) 신경망을 포함한 여러 예측 모델을 통합하여 예측 정확성 및 신뢰성을 향상시킵니다. 이 방법론은 결측값에 대한 중앙값 보간, 특성 스케일링을 위한 z-점수 정규화, 상관 기반 특성 선택과 같은 광범위한 데이터 전처리 기술을 포함합니다. 시스템은 심박수, 체온, 수축기 혈압, 평균 동맥 압력, 산소 포화도, 호흡률 및 여러 실험실 값과 같은 중요한 임상 매개변수를 처리합니다. 실험 평가는 ICU 환자 기록의 포괄적인 데이터셋을 사용하여 수행하며, 정확도, 정밀도, 재현율, F1 점수 및 수신자 조작 특성 곡선 아래 면적(AUC-ROC)을 통한 엄격한 성능 평가를 포함합니다. 결과는 앙상블 방법, 특히 XGBoost가 평가된 모든 모델 중에서 98.2\%의 정확도와 0.7114의 가장 높은 AUC-ROC를 달성하여 우수한 구분 성능을 나타냄을 보여줍니다. 위험 구분 기능의 통합은 임상 의사 결정을 지원하고, 세 단계 분류(저위험, 중간위험, 고위험)를 통해 개인화된 환자 관리 및 중환자 치료 환경에서의 자원 최적화를 촉진합니다.
K.V.Kiran et al. (Thu,)는 이 질문을 연구했습니다.