Machine Learning Based Analysis of Sepsis : Review
基于机器学习的脓毒症分析：回顾
本文是一篇总结性的文章，大致描述了脓毒症的特征和十项先前发布的这方面的技术方法，对这一领域的入门有所帮助。
临床诊断的方法
脓毒症的临床诊断方法有两个：
- SIRS，全身性炎症反应综合征
- qSOFA，快速顺序器官衰竭评估
十个技术方法
1.用于提取特征的聚类方法，2012年
方法：使用两组数据，有或者没有乳酸水平的特征，使用贝叶斯网络分析两者的关系。
结论：排除了心率这个参数；研究中使用了呼吸速率（RR），白细胞（WBC），温度，平均动脉压（MAP），乳酸，住院天数（LOS）和败血症发生率（SO）；结论是乳酸水平可以预测SIRS标准。
数据来源：不详
2.图计算方法AdapDBN，2016
使用动态贝叶斯网络捕捉脓毒症风险因素。
用于构建AdapDBN的数据： Physician’s knowledge, published clinical research, epidemiological status and patient’s data
根据患者动迁状态动态调整筛选频率。
处理initial sepsis, severe sepsis and septic shock三种情况。
缩短症状检测时间；改善治疗效果。
数据源：不详
3.因果依赖图，2016
数据库：MEDAN，最大的可用的多中心的脓毒症数据库之一。【暂不知公开性】
根据：
- 收治时候的患者状况
- 24h后的状况
- 48h后的状况
分成三个集合。主要关注患者的生理指标和个人信息。
结论：脓毒症发展的高峰期是患者收治入ICU后的24h左右。
4.使用远程监控方案对门诊败血症做远程检测
未提及具体算法，提及的败血症风险指标包括：心率，呼吸频率，温度，血压和可疑感染。
生成每日报告并发送给护理人员
5.CFOA （Chaotic Fruitfly Optimization）学习策略
2018年发表了论文提高KELM（内核极限学习机）的性能。
使用chaotic population initialization和chaotic local search提高性能。
特征选择是通过随机森林完成的，而KELM参数的优化是通过提出的CFOA（具有五重交叉验证）完成的。
6.热成像体温模式
考虑到外耳或鼻尖与内耳等核心温度之间的温差（ETD）。 他们使用模糊C均值（FCM）聚类算法，将ETD分为不同的聚类。 ETD中从5-6F变为1F的簇代表败血症。 此过程使用热图像作为输入来计算ETD。
7.Meta分析，2019
数据库：MIMIC-III（v.13）
考虑了对败血症进行分类的金标准，并针对特异性，敏感性，阳性和阴性似然比和诊断奇数比对这些标准中的每一个做出了结论
将不同的预测模型（例如InSight，SVM，ApeX，深度神经网络和Logistic回归）用于SIRS，ICD-9，ICD-10等不同的标准
结论：机器学习技术的强大预测性能可以改善败血症的诊断，从而降低医院的死亡率。
8.名为“RoS”的脓毒症筛选工具，2019
诊断方法：比较SIRS、SOFA、qSOFA、MEWS和NEWS等之后，使用的是qSOFA
数据：49个城市社区医院急诊科的22个月成人患者的电子健康记录数据
方法：使用Rhee临床监测标准；特征选择过程的三个阶段被用作对败血症筛选的现有模型的评价，与主题专家的协商以及监督机器学习方法的梯度增强方法。在这项回顾性研究中，RoS评分比推荐的常规基准筛查工具更及时且与众不同。
9.层次分析方法，2019
数据描述：连续的，高频率的数据
对高风险患者使用生理体征检测的数据（每分钟）；使用Heart rate (HR), non invasive blood pressure (BP), temperature, respiratory rate (RR) and white blood cell count (WBC) 做二分类，这些特征被用于持续预测发生脓毒症的可能性；使用了一种两层方法，每层有不同的滑动时间窗口大小。第一层是30，60，120min的时间窗口。第二层是10和20min。用滑动时间窗口来收集生理数据流。模型估计的概率被赋予硬阈值0.5，用于预测脓毒症。使用的性能指标是敏感性，特异性，正预测值（PPV），准确性和F2得分。与其他现有的层叠分类器相比，在线特征提取方法是该方法的特色。
Home Page