目的利用FP-Growth和Apriori算法的深度学习(deep learning,DL)功能预测重症监护病房(ICU)患者院内死亡的关联因素。方法筛选美国重症监护医学信息数据库-Ⅲ(medical information mart for intensive care-Ⅲ,MIMIC-Ⅲ)中患者10000例,...目的利用FP-Growth和Apriori算法的深度学习(deep learning,DL)功能预测重症监护病房(ICU)患者院内死亡的关联因素。方法筛选美国重症监护医学信息数据库-Ⅲ(medical information mart for intensive care-Ⅲ,MIMIC-Ⅲ)中患者10000例,包含死亡患者1320例,收集其基线资料进行回顾性研究。使用SPSS Modeler 18.0软件编制FP-Growth和Apriori算法程序,通过DL功能计算1320例死亡患者的基线资料间有效强关联规则。对全部患者行Logistic回归分析导致死亡的独立风险因素。参考Logistic回归分析对患者死亡风险的预测结果来验证DL功能的预测结果。结果通过DL功能计算获得死亡患者的基线资料间有效强关联规则9项,其前项包括:年龄、急性生理学与慢性健康状况评估系统Ⅱ(APACHEⅡ)评分、序贯器官衰竭评分(SOFA)、院内感染、机械通气、动静脉插管、动静脉插管时间、导尿管插管。除“肝脏疾病”和“昏迷”外,DL功能同Logistic回归分析预测结果高度一致。两种方法预测结果的比较在一定程度上证实DL功能的科学性和可靠性。结论基于FP-Growth和Apriori算法的DL功能可用于预测ICU患者死亡的关联因素,具有一定应用和推广价值。展开更多
文摘目的利用FP-Growth和Apriori算法的深度学习(deep learning,DL)功能预测重症监护病房(ICU)患者院内死亡的关联因素。方法筛选美国重症监护医学信息数据库-Ⅲ(medical information mart for intensive care-Ⅲ,MIMIC-Ⅲ)中患者10000例,包含死亡患者1320例,收集其基线资料进行回顾性研究。使用SPSS Modeler 18.0软件编制FP-Growth和Apriori算法程序,通过DL功能计算1320例死亡患者的基线资料间有效强关联规则。对全部患者行Logistic回归分析导致死亡的独立风险因素。参考Logistic回归分析对患者死亡风险的预测结果来验证DL功能的预测结果。结果通过DL功能计算获得死亡患者的基线资料间有效强关联规则9项,其前项包括:年龄、急性生理学与慢性健康状况评估系统Ⅱ(APACHEⅡ)评分、序贯器官衰竭评分(SOFA)、院内感染、机械通气、动静脉插管、动静脉插管时间、导尿管插管。除“肝脏疾病”和“昏迷”外,DL功能同Logistic回归分析预测结果高度一致。两种方法预测结果的比较在一定程度上证实DL功能的科学性和可靠性。结论基于FP-Growth和Apriori算法的DL功能可用于预测ICU患者死亡的关联因素,具有一定应用和推广价值。