ПРИМЕНЕНИЕ ПРОЦЕССА ГАУССА И КЛАССИФИКАТОРА НЕЙРОННОЙ СЕТИ В ЗАДАЧЕ ПРЕДСКАЗЫВАНИЯ СЕПСИСА У ПАЦИЕНТОВ (35-38)

DOI:

Дата публикации статьи в журнале: 2020/06/14

Название журнала: Евразийский Союз Ученых — публикация научных статей в ежемесячном научном журнале, Выпуск: 74, Том: 3, Страницы в выпуске: 35-38

Автор: Кузьмин Е.А.
, Новосибирский государственный технический университет, Новосибирск, Россия

Автор: Качальский В.Г.
, Новосибирский государственный технический университет, Новосибирск, Россия

Анотация: Ранний прогноз сепсиса уменьшает показатель смертности у пациентов. В работе представлена система предсказывания сепсиса, оперирующая неструктурированными, изменяющимися во времени данными о пациентах. С помощью многомерного процесса Гаусса моделируются непрерывные показатели пациента, сохраняя при этом степень неопределенности в каждый момент времени. Это позволяет учитывать нерегулярность заполненных данных, отображающих реальную клиническую картину. Далее данные поступают в классификатор, реализованный на основе рекуррентных нейронных сетей (РНС), которые хорошо справляются с большим количеством входящих показателей и способны обрабатывать серии событий с учетом времени. Исследование показало, что точность предсказывания системы за двенадцать часов, четыре часа и один час равняется 81, 89 и 91 процентам соответственно.

Ключевые слова: процессы Гаусса, сепсис,нейронные сети,прогнозирование,

Данные для цитирования: Кузьмин Е.А. Качальский В.Г. . ПРИМЕНЕНИЕ ПРОЦЕССА ГАУССА И КЛАССИФИКАТОРА НЕЙРОННОЙ СЕТИ В ЗАДАЧЕ ПРЕДСКАЗЫВАНИЯ СЕПСИСА У ПАЦИЕНТОВ (35-38) // Евразийский Союз Ученых — публикация научных статей в ежемесячном научном журнале. Технические науки. 2020/06/14; 74(3):35-38.

Скачать в формате PDF

Список литературы: 1. Chakraborty RK and Burns B. Systemic Inflammatory Response Syndrome, 2019. 2. Lord JM, Midwinter MJ, Chen YF. The systemic immune response to trauma: an overview of pathophysiology and treatment, 2014. 3. Vincent JL, Moreno R, Takala J. Working Group on Sepsis-Related Problems of the European Society of Intensive Care Medicine. The SOFA (Sepsis-related Organ Failure Assessment) score to describe organ dysfunction/failure, 1996. 4. Angus DC, Linde-Zwirble WT, Lidicker J, Clermont G, Carcillo J, Pinsky MR. Epidemiology of severe sepsis in the United States: analysis of incidence, outcome, and associated costs of care, 2001. 5. Desautels T, Hoffman J, Barton C, Mao Q, Jay M, Calvert J, Das R. Pediatric severe sepsis prediction using machine learning, 2017. 6. Ryan J Delahanty, JoAnn Alvarez, Lisa M Flynn, Robert L Sherwin, and Spencer S Jones. Development and evaluation of a machine learning model for the early identification of patients at risk for sepsis, 2019. 7. Rasmussen, C. E. and Williams, C. K. I. Gaussian Processes for Machine Learning. The MIT Press, 2005. 8. Cheng-Xian Li, S. and Marlin, B. A scalable end-to-end gaussian process adapter for irregularly sampled time series classification. NIPS, 2016. 9. Johnson AE, Stone DJ, Celi LA, Pollard TJ. The MIMIC code repository: enabling reproducibility in critical care research, 2018.