检索结果-南通市图书馆

作者：于美奇南京中医药大学

学位级别：硕士

多发伤指外部力量同时对人体多个器官或系统造成的损伤,通常由交通事故、意外伤害或自然灾害等引起。由于这类创伤通常涉及患者全身多个部位,因此多发伤治疗通常涉及多学科治疗。在临床管理中,迅速且准确地评估患者的伤情对于提升多学... 详细信息

多发伤指外部力量同时对人体多个器官或系统造成的损伤,通常由交通事故、意外伤害或自然灾害等引起。由于这类创伤通常涉及患者全身多个部位,因此多发伤治疗通常涉及多学科治疗。在临床管理中,迅速且准确地评估患者的伤情对于提升多学科协调治疗的效率至关重要。然而,现有的评分系统往往只考虑患者的损伤部位、意识状态和呼吸情况等简单特征,忽略了基于实验室检测的生理和生化数据。这些评分方法不能满足临床对于快速、准确、全面评估多发伤患者伤情的需求。针对这一临床问题,本研究采用机器学习方法对多发伤患者的临床数据进行挖掘、分析,构造出用于多发伤患者伤情综合评估的死亡风险预测模型和严重程度预测模型。模型不仅考虑了传统的临床特征,还包括了生理和生化指标,从而提供了一个更全面的伤情评估,并进一步转化为多发伤伤情可视化评估系统。研究包括以下三部分内容:(1)多发伤患者死亡风险预测模型。首先,根据ICD-10标准筛选出MIMIC-Ⅳ数据库中4095名多发伤患者作为研究的对象。研究共收集了包括人口统计学、生命体征、实验室信息、临床评分和临床医师诊断数据在内的临床参数。接着,采用随机森林、支持向量机、人工神经网络及极端梯度提升等多种机器学习算法在训练数据集上构建死亡风险预测模型。数据集被随机划分为训练集(数据集的70%)和测试集(数据集的剩余30%),用于模型的训练和评估。结果表明,XGBoost模型表现出色,AUC值可达0.838,明显优于其他机器学习模型。为验证上述模型的泛化能力,本研究进一步从邳州市人民医院采集了756名多发伤患者数据作为完全独立的外部验证数据集。在这个外部验证集中,上述XGBoost模型仍表现出较好的预测能力,AUC值可到0.73。在分析特征对模型贡献度上,发现临床生理参数与临床医师诊断中均存在一些被忽略、对创伤预后具有显著的预测价值的特征,如BUN、RDWSD、骨盆骨折等。最后,社会因素的研究结果发现多发伤患者的婚姻状况(模型表现在已婚与单身、己离婚患者组间差异显著:P=3.669)的界限。这样就得到了一个最终的数据集,用于构建多发伤患者严重程度的预后模型。与死亡预测模型使用的方法是类似的,研究分别将数据集划分为训练集和测试集,利用训练集构建了 SVM、Random Forest、XGBoost、ANN四种预测多发伤患者的机器学习模型。并通过十折交叉验证法来比较多种机器学习的模型,结果发现XGBoost是预测多发伤患者严重程度的最优模型,AUC可达0.818,而在测试集中AUC则达到了 0.835,优于其他机器学习模型。其次,研究使用T检验法检验模型在独立于开发数据集的其他多发伤数据集上的区分度情况,结果表明模型在轻重症分类上具有较好的区分能力。而在模型可解释性分析上,本研究发现了一些在传统评分系统中被忽视的因素,如氯离子、总钙和碱性粒细胞计数。最后,社会因素的研究结果发现多发伤患者的性别状况(模型表现在男性与女性患者组间差异显著:P=0.004)、婚姻状况(模型表现在已离婚、己结婚、单身、未知与丧偶之间均存在显著性差异患者组间差异显著:P可视化评估系统。使用Django框架构建多发伤患者伤情可视化评估系统,开发了一个面向临床用户的多发伤评估系统,基于上述两个模型对多发伤患者的死亡风险和严重程度进行预测,可视化出多发伤患者伤情评估结果。系统包含死亡风险预测、严重程度预测和数据集上传三大核心模块,可实现单人、批量患者预测、预测结果的可视化与分析。研究结果表明基于机器学习方法的多发伤患者病情评估模型能够有效提高多发伤患者的病情评估的准确性。多发伤患者病情的早期精准评估能够辅助医生做出关键及时的临床决策,优化转诊流程,从而有效提高救治成功率。

关键词：多发伤机器学习模型死亡风险预测严重程度预测可视化评估系统

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于Spark的粒子群算法技术扩展设计与实现

引用

指挥信息系统与技术 2023年第1期14卷 62-69页

作者：崔同科陈启安高岩国防科技大学信息通信学院武汉430019 湖南科技大学计算机科学与工程学院湖南湘潭411201 中国运载火箭技术研究院北京100076

针对粒子群算法在大规模数据场景下效率不高的问题,基于Spark并行技术对粒子群算法进行扩展设计,以提高算法性能;针对传统粒子群算法在收敛性能上的不足,分析了基于惯性权重的多样优化策略,设计并实现了一种开放式可视化评估系统,以验... 详细信息

针对粒子群算法在大规模数据场景下效率不高的问题,基于Spark并行技术对粒子群算法进行扩展设计,以提高算法性能;针对传统粒子群算法在收敛性能上的不足,分析了基于惯性权重的多样优化策略,设计并实现了一种开放式可视化评估系统,以验证各策略的有效性。试验结果表明,该扩展设计能有效提高大规模数据场景下粒子群算法性能,并启发大数据技术与数据算法的有机结合。

关键词： Spark 粒子群算法优化策略可视化评估系统

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：