美国,急性心肌梗死(AMI)或冠心病是死亡的主要原因,据估计,到2035年,将近一半的成年人将遭受某种形式的睡眠剥夺。大多数急性心肌梗塞没有明显的症状,如胸痛或呼吸急促。最近,佛罗里达州立大学和佛罗里达大学盖恩斯维尔分校的研究人员使用ai人工智能进行了一项研究,以帮助预测重症监护病房。

研究人员写道,1年死亡率被选为预测窗口,因为它可以与其他研究进行比较,并且会考虑在两年内接受多次ICU治疗与急性髓性白血病相关的患者

研究人员使用ai预测心脏病死亡率-而后网

对于风险评估,需要手动计算,并且可以使用基于机器学习的预测死亡率等疾病的结果来节省时间并提高预测准确性。他们撰写了一篇论文(ICU患者的急性心肌梗死和心肌梗死后综合征),建立了预测一年死亡率的计算模型。该研究建立并评估了各种机器学习模型,以预测急性心肌梗死或MI后综合征患者的死亡率。

为了收集数据集,作者从麻省理工学院计算生理学实验室维护的免费重症监护数据库模拟-3(模拟-3)获得数据。模拟-3包含来自40,000名患者的58,000例住院治疗。通过选择已被证明是死亡率预测因子的特征来选择它们(例如,肾功能和肝功能、入院、人口统计学、治疗、评估长期和短期总体健康实验室值和各种心脏标志物)这个数字已减少到5037。

最后,研究小组决定分析诊断为急性心肌梗死或经前期综合征(PMS)的患者数据,这些患者与心悸而非个体相关。这是因为在某些情况下,患者在一次住院期间存活了一年,但在另一次住院期间没有存活一年。

研究人员预处理这些记录以删除重复记录。、对相同的输入、数据输入错误和异常值执行多处理。在配备2.2GHz Intel Core i7处理器的PC上,使用Google Open Source TensorFlow框架,该团队培训了十多种分类算法,例如属性选择分类器、回归分类。

测试中,两个ai人工智能模型,逻辑模型树(LMT)和简单逻辑算法比其他模型表现更好,并且在数据集(1629人)中识别出准确性,他们确定30%的患者死于一个入学年份。它达到了85.12%。 (第三种算法,J48,其准确度为84.88%。)有趣的是,深度神经网络模型在识别一年内死亡的能力方面优于所有机器学习算法。该模型具有多层数学函数。可以模拟人类大脑中的行为神经元。

研究人员写道,这反映了数据科学的共识,即没有普遍适用算法总是优于所有其他算法。有许多因素可以影响心肌梗死后的死亡率。找到利用这些因素的方法将有助于准确预测可能结果

本文的作者指出,数据集是本研究的一个限制因素,数据缺口,如缺少实验室和图表值也是一个限制因素。但是,他们认为结果表明,正确诊断和治疗急性心肌梗死对1年死亡率有显着影响。他们可以从该数据集中看出,没有提供所需可预测性信息的特定因素,并且可以包括所有相关标准改进预测。使用机器学习获得更好的可预测性可以帮助高风险患者努力遵守治疗计划以增加死亡风险。