ترجمه فارسی مقاله بهبود تشخیص سپسیس مبتنی بر یادگیری ماشین با استفاده از تغییرپذیری ضربان قلب

چکیده

The early and accurate diagnosis of sepsis is critical for enhancing patient outcomes. This study aims to use heart rate variability (HRV) features to develop an effective predictive model for sepsis detection. Critical HRV features are identified through feature engineering methods, including statistical bootstrapping and the Boruta algorithm, after which XGBoost and Random Forest classifiers are trained with differential hyperparameter settings. In addition, ensemble models are constructed to pool the prediction probabilities of high-recall and high-precision classifiers and improve model performance. Finally, a neural network model is trained on the HRV features, achieving an F1 score of 0.805, a precision of 0.851, and a recall of 0.763. The best-performing machine learning model is compared to this neural network through an interpretability analysis, where Local Interpretable Model-agnostic Explanations are implemented to determine decision-making criterion based on numerical ranges and thresholds for specific features. This study not only highlights the efficacy of HRV in automated sepsis diagnosis but also increases the transparency of black box outputs, maximizing clinical applicability.

چکیده به فارسی (ترجمه ماشینی)

تشخیص اولیه و دقیق سپسیس برای افزایش نتایج بیمار بسیار مهم است.این مطالعه با هدف استفاده از ویژگی های تغییرپذیری ضربان قلب (HRV) برای تهیه یک مدل پیش بینی مؤثر برای تشخیص سپسیس انجام شده است.ویژگی های بحرانی HRV از طریق روش های مهندسی ویژگی ، از جمله راه انداز آماری و الگوریتم Boruta ، مشخص می شود ، پس از آن طبقه بندی های جنگلی XGBOOST و تصادفی با تنظیمات هایپرپارامتر دیفرانسیل آموزش می یابند.علاوه بر این ، مدل های گروهی برای جمع آوری احتمالات پیش بینی طبقه بندی کننده های با دقت بالا و با دقت بالا و بهبود عملکرد مدل ساخته شده اند.سرانجام ، یک مدل شبکه عصبی بر روی ویژگی های HRV آموزش داده می شود و به نمره F1 0.805 ، دقت 0.851 و فراخوان 0.763 می رسد.بهترین مدل یادگیری ماشین با عملکردی با این شبکه عصبی از طریق یک تجزیه و تحلیل تفسیر مقایسه می شود ، جایی که توضیحات مدل تفسیر محلی-آگنوستیک برای تعیین معیار تصمیم گیری بر اساس دامنه های عددی و آستانه برای ویژگی های خاص اجرا می شود.این مطالعه نه تنها اثربخشی HRV را در تشخیص خودکار سپسیس برجسته می کند بلکه شفافیت خروجی های جعبه سیاه را افزایش می دهد و به حداکثر رساندن کاربرد بالینی می شود.