ترجمه فارسی مقاله رویکردهای یادگیری ماشین مبتنی بر داده برای پیش‌بینی مرگ و میر ناشی از سپسیس در بیمارستان

چکیده

Background: Sepsis is a severe condition responsible for many deaths worldwide. Accurate prediction of sepsis outcomes is crucial for timely and effective treatment. Although previous studies have used ML to forecast outcomes, they faced limitations in feature selection and model comprehensibility, resulting in less effective predictions. Thus, this research aims to develop an interpretable and accurate ML model to help clinical professionals predict in-hospital mortality. Methods: We analyzed ICU patient records from the MIMIC-III database based on specific criteria and extracted relevant data. Our feature selection process included a literature review, clinical input refinement, and using Random Forest to select the top 35 features. We performed data preprocessing, including cleaning, imputation, standardization, and applied SMOTE for oversampling to address imbalance, resulting in 4,683 patients, with admission counts of 17,429. We compared the performance of Random Forest, Gradient Boosting, Logistic Regression, SVM, and KNN models. Results: The Random Forest model was the most effective in predicting sepsis-related in-hospital mortality. It outperformed other models, achieving an accuracy of 0.90 and an AUROC of 0.97, significantly better than the existing literature. Our meticulous feature selection contributed to the model’s precision and identified critical determinants of sepsis mortality. These results underscore the pivotal role of data-driven ML in healthcare, especially for predicting in-hospital mortality due to sepsis. Conclusion: This study represents a significant advancement in predicting in-hospital sepsis mortality, highlighting the potential of ML in healthcare. The implications are profound, offering a data-driven approach that enhances decision-making in patient care and reduces in-hospital mortality.

چکیده به فارسی (ترجمه ماشینی)

سابقه و هدف: سپسیس یک بیماری شدید است که مسئول بسیاری از مرگ و میر در سراسر جهان است.پیش بینی دقیق نتایج سپسیس برای درمان به موقع و مؤثر بسیار مهم است.اگرچه مطالعات قبلی از ML برای پیش بینی نتایج استفاده کرده اند ، اما آنها در انتخاب ویژگی ها و درک مدل با محدودیت هایی روبرو شده اند و در نتیجه پیش بینی های مؤثر کمتری دارند.بنابراین ، این تحقیق با هدف تهیه یک مدل ML قابل تفسیر و دقیق برای کمک به متخصصان بالینی پیش بینی مرگ و میر در بیمارستان است.مواد و روش ها: ما سوابق بیمار ICU را از پایگاه داده MIMIC-III بر اساس معیارهای خاص تجزیه و تحلیل کردیم و داده های مربوطه را استخراج کردیم.فرایند انتخاب ویژگی ما شامل یک بررسی ادبیات ، پالایش ورودی بالینی و استفاده از Forest Random برای انتخاب 35 ویژگی برتر بود.ما پیش پردازش داده ها را انجام دادیم ، از جمله تمیز کردن ، ضعف ، استاندارد سازی و SMOTE کاربردی برای نمونه برداری برای پرداختن به عدم تعادل ، در نتیجه 4683 بیمار ، با تعداد پذیرش 17429.ما عملکرد جنگل های تصادفی ، تقویت شیب ، رگرسیون لجستیک ، SVM و KNN را مقایسه کردیم.یافته ها: مدل جنگلی تصادفی در پیش بینی مرگ و میر در بیمارستان مربوط به سپسیس مؤثرتر بود.این از سایر مدلهای دیگر ، دستیابی به دقت 0.90 و AUROC 0.97 ، به طور قابل توجهی بهتر از ادبیات موجود است.انتخاب ویژگی دقیق ما به دقت مدل کمک کرده و عوامل مهم مرگ و میر سپسیس را شناسایی کرده است.این نتایج بر نقش محوری ML محور داده در مراقبت های بهداشتی ، به ویژه برای پیش بینی مرگ و میر در بیمارستان به دلیل سپسیس ، تأکید می کند.نتیجه گیری: این مطالعه نشان دهنده پیشرفت قابل توجهی در پیش بینی مرگ و میر سپسیس در بیمارستان است و پتانسیل ML در مراقبت های بهداشتی را برجسته می کند.پیامدها عمیق است و یک رویکرد داده محور را ارائه می دهد که تصمیم گیری در مراقبت از بیمار را تقویت می کند و مرگ و میر در بیمارستان را کاهش می دهد.