医学信息学解锁26（2021）100754使用遗传算法识别生理数据的有害模式以近实时预测危重患者的死亡率安德鲁·A.克莱默a，b，*Precient Healthcare Consulting，LLC，2220 Ivy Rd. Charlottesville，VA，22903，USAb美国密苏里州堪萨斯城堪萨斯大学医学中心生物统计学系A R T I C L E I N F O保留字：重症监护重症监护病房死亡率预测遗传算法优化A B S T R A C T目的：目前成人重症患者死亡率的预测模型不适合在床边使用。几乎所有的模型都是使用回顾性的、干净的数据开发和测试的，这并不能准确评估模型在实际情况下的功能。我们之前报道了一个有前途的预测模型，称为SIGNIPHY，使用遗传算法来识别模式，这些模式是重症监护室（ICU）患者下降的前兆。但它是基于事后处理的回顾性数据。这项研究着眼于遗传算法如何将流式生理数据划分为模式，这些模式可以转化为成人ICU死亡率的近实时，准确的预测方法：在2020年连续近实时收集了6个 ICU患者的生命体征数据，为期3个月遗传算法将每个生命体征的分布划分为死亡率变化最大的箱将“字母”分配给每个箱，然后将其映射到患者在10分钟时间段内每个生命体征的中值。将来自三个时间段的字母连接起来产生代表为这些生理趋势以及患者是否接受机械通气分配权重，以给每例遗传算法优化了随机分配的权重，使患者的最高rSIGNIPHY评分与死亡风险之间的关联最大化结果：收集了1810例患者的数据，并在每个30分钟的时间段计算rSIGNIPHY评分。患者然后，我们将最大rSIGNIPHY分数划分为三个标记为低风险、中等风险和高风险。三组的病死率分别为3.2%、18.8%和33.3%。结论：使用遗传算法来识别与死亡率相关的特定生理模式，使用从危重患者收集的实时数据进行尽管对数据进行了回顾性分析，但rSIGNIPHY成功地将患者分配到风险组：低，中，高。高风险组的死亡率是低风险组的10.5倍，患者最大rSIGNIPHY评分的增加与死亡率的展望未来，实施rSIGNIPHY以近实时地前瞻性地为患者分配死亡风险，可以及时改善对重症患者的治疗。1. 介绍重症监护室（ICU）中的患者具有高风险的有害结局，最显著的是显著恶化和/或死亡[1，2]。虽然一些高危患者很容易识别，但其他患者似乎稳定下来，但随后迅速下降[3]。早期尝试创建预测危重患者死亡率的算法涉及在离散且通常不常见的时间点观察生理学的极端情况[4这些预测都是基于线性模型的，在不同的患者组中都是准确的，但是对于个体预测来说误差太大[7]。数据挖掘方法也被用于预测算法* Prescient Healthcare LLC，2220 Ivy Rd。 Charlottesville，VA，22903，USA.电子邮件网址：akramer@prescient-healthcare.com。https://doi.org/10.1016/j.imu.2021.100754接收日期：2021年8月17日;接收日期：2021年10月7日;接受日期：2021年10月7日2021年10月8日网上发售2352-9148/©2021的作者所有发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：www.elsevier.com/locate/imuA.A. 克莱默医学信息学解锁26（2021）1007542+我J[8然而，神经网络、随机森林和其他形式的机器学习对临床医生来说可能是一个黑盒子，他们需要了解底层模型，这对接受它很重要。其他问题涉及假设生命体征的高斯分布，将手动数据字段纳入算法，依赖小样本量和/或使用已清理和注释的回顾性数据[11]。一个很好的例子是DeepSOFA [12]，这是ICU死亡率的预测模型。该方法建立了一个包含47个变量的Logistic回归模型，其结果具有良好的敏感性和特异性。不幸的是，这项研究是基于使用高度策划的数据集的回顾性数据。为了使重症监护医师受益，必须使用来自电子病历系统（EMR）的实时、前瞻性数据开发预测分析解决方案[13]。遗传算法（GA）是优化复杂数据算法的强大方法[14]。它们在组合域中的使用代表了一种可能的方法，可以为ICU中的患者处理大量的数据流。一篇论文报告了使用遗传算法预测ICU患者的住院死亡率[15]。该模型包括45个参数，其中许多是手动输入的，使得实时使用变得不切实际。此外，该模型的结果并不令人鼓舞。其他使用遗传学的医学分析回顾性EMR。这对于衡量rSIGNIPHY的准确性是必要的最低粒度级别为1 s。如果以更高的频率收集测量值，则导出该1秒测量值的中值。系统删除了与生命不相容的值，例如呼吸率为0（见表1）。首次生命体征测量的日期-时间被视为患者的ICU入院时间。继续收集数据这个“没有数据”的空间开始约会时间如果生命体征测量值在ICU后>出院时，这被认为是新的ICU入院（即，重新入院），并开始了新一轮的数据收集。第一步是发现每个生命体征分布的信息范围（如图2所示）。 ①的人）。获得所有患者在ICU入院后前3小时内每个生命体征的中位数 遗传算法（见图1）。 1）在生命体征的分布上最大化切割点，使得箱之间的死亡率被优化。遗传算法最大化的目标函数如下所示：算法并没有明确地关注重症监护患者，而是在整个急症护理医院的各级护理中的患者之前，我们提出了一个原型预测分析解决方案，∑n-1∑ni=1你好！（n-2）！二（一）ICU使用遗传算法，并显示出有希望的结果ICU [16]。被称为SIGNIPHY，它使用在患者入住ICU后的前4小时内收集的生命体征数据，将患者在ICU出院前的全因死亡率分为低、中、高风险组。高危组患者在ICU中的死亡风险增加了6.6倍不幸的是，这些数据是回顾性收集的，并在单个时间点生成预测，后者不允许患者我们试图通过开发一种能够实时产生频繁更新的死亡率预测的新算法来解决SIGNIPHY中的问题因此，本文有两个目标。首先是大大扩展了我们的SIGNIPHY算法，使用实时收集的数据提供了一种 新 的 、 持 续 更 新 的 ICU 出 院 前 患 者 死 亡 风 险 分 析 ：rSIGNIPHY。特别重要的是要最大化的遗传算法的目标函数的建设。第二个目标是在ICU前瞻性收集的数据上测试rSIGNIPHY，所有与未清理、未注释的数据相关的问题实际上都是ICU出院前实际用于实时预测全因死亡率的数据2. 方法2.1. 数据收集和创建信息性生命体征范围美国的两家医院参与了这项研究，为6个ICU提供了必要的数据连接。在2020年的三个月时间段内，入院患者的数据从床边监护仪连续传输并发送到ICU随后通过HL7消息将这些数据转发至专门为本研究指定的服务器我们只收集那些可以实时提取的特征的数据：生命体征和机械呼吸机上的存在。不包括诊断、合并症和回顾性或手动数据输入收集的其他变量，因为它们无法实现近实时警报。记录心率、呼吸频率、平均动脉压（[2* 舒张压/收缩压]/3）和氧饱和度测量值。此外，接受机械通气的患者的所有开始和停止时间每例患者其中n=箱的数量，mi是箱“i”中的死亡率输出是在以下约束条件下满足公式11. 临界点的数量限制为3个，从而产生4个箱。2. 已订购切割点也就是说，cutpoint #1 cutpoint #2<<临界点#3。3. 每个箱必须至少有100个观察结果，以防止一个箱包含所有患者死亡率的琐碎情况。遗传算法的群体大小被设置为50，所有基因（代表导致在一级方程式中使用的箱的切割点）被建模为0.0和1.0，并且使用单交叉。当各代之间的收敛为0.0001时，迭代停止。每个结果箱都分配了一个值，但用于指定生命体征值的特定范围表2显示了箱、死亡率和对应的心率字母。2.2. 创造在一个离散的时间段rSIGNIPHY中的第二阶段如图所示。 二、患者的生命体征数据被分成10分钟的获得时间段内的中值表3中示出了一个患者的心率值的示例该患者在时间段1、2、3、4、5、6具有以下字母…last: 如果生命体征在时间段内没有任何测量值，则将字母对每名患者的每个生命体征进行上述检查。从病人的第一个时间段开始表1生命体征值被认为与生命不相容，因此未使用。心率10或≥240呼吸频率3或>75平均动脉压10或>200SpO2 10或>100j=i+1A.A. 克莱默医学信息学解锁26（2021）1007543+==表2导致各分组中最大死亡率的心率分组。Bin1072107119Fig. 1. 数据收集和将符号映射到生命体征分布的信息范围图二. rSIGNIPHY第二阶段的示意图表3将时间段的心率中位数映射到指定字母的示例连接起来形成每个生命体征的“单词”（即模式）;单词代表30分钟时间段内的生理模式。上表3中的患者1810名患者中的每一位每30分钟都有一个单词。这相当于每天48个字例如，在ICU中停留2天2小时的患者对患者进行了最多7天的随访，结果是336个单词是患者的上限。每个30分钟的时间段接收对使用机械通气的患者的指定，如下所示：在统计学上，使用机械呼吸机是高风险的指定[17]。对于不再使用机械呼吸机的患者，风险降低但不排除，因为可能需要长时间镇静和呼吸机相关性肺炎[18]。“信息矩阵“是三维的：1180*336*5，用于1810例患者，每个生命体征最多336个字，每个周期有4个如果患者在ICU住院后存活，则将其分配为结局=0，或=1，如果他们在ICU出院前死亡。2.3. 计算每例患者2.3.1. 为每个单词图图3显示了如何对信息矩阵进行评分，然后根据ICU死亡率结果进行最大化的示意图。由于每个在1810名患者中，有些词会不经常出现，甚至一点也不因此，所有出现300次的单词被聚合变成一个单词在我们的研究中，心率有24个唯一词和聚合词XXX;呼吸率有20个唯一词和XXX，血压有60个唯一词和XXX，氧饱和度有33个唯一词和XXX。总共有141个词，包括聚合词XXX。141个单词中的每一个都被随机分配了0、1或2的权重将每个时间段内的权重相加以形成原始rSIGNIPHY评分。然后，每个患者在一个时间段内具有对应于其机械通气指定的额外0、1或2个点：标记为“Y”的每个时间段分配2个点公式2显示了原始rSIGNIPHY评分的组成部分：原始St=HRt+RRt+BPt+OSt+MVt（ 2）其中rawSt是时间段t的原始rSIGNIPHY评分，HRt是时间段t的点数（即分配给心率“word”的权重时间段a0-10 11-20 21-30 31-40 41-50 51-60.最后30分钟平均心率75 118 116 121 108 90字母V A A N A V一 就在进入重症监护室后几分钟。A.A. 克莱默医学信息学解锁26（2021）1007544图3.第三章。rSIGNIPHY第3阶段示意图：根据患者结局将模式优化为权重{0，1，2}：权重总和为rSIGNIPHY评分。在时间段t处的状态对于1810名患者中的每一名，在每个时间段期间rawSt的范围在0和10为了减轻由于一系列异常测量结果（例如，患者在手术中或从一个ICU转移到另一个ICU）造成的影响，我们修改了公式2，以便考虑到以前期间该修改呈现在公式3中。rSIGNIPHYt=α*rawSt+（1-A.A. 克莱默医学信息学解锁26（2021）1007545==≥其中rSIGNIPHYt是时间t的rSIGNIPHY分数，rawSt和rawSt-1分别如公式2中针对时间段t和t-1所给出的，并且α是范围在0.1和0.9之间的平滑器（该参数最初被分配该范围内的随机值）。例如，如果α为0.77，则患者第一个时间段没有前一个时间段，因此仅将该时间段的得分设置为1.02.3.2. 获得最佳权重集和最终VisIG分数每名患者的rSIGNIPHY评分如公式3所示，针对他们在ICU中的每个时间段得出，最多336个时间段。获得每个患者在不同时间段的最大rSIGNIPHY评分：患者i的maxRSi重要的是要记住，141个单词中的每一个都被随机设置为0、1或2，α被随机设置在0.1和0.9之间。这些通过遗传算法由它们的最终权重替换，该遗传算法最大化公式4中的伪代码中所示的目标函数。公式4. .通过遗传算法其中maxRS如上定义，如果患者存活，则icudead为0，如果患者在ICU中死亡，则为1。上述目标函数惩罚错误的关联（低分和死亡，高分和存活）并奖励正确的关联（低分和存活，高分和死亡）。这通过区分分配给maxRSi和结果的每个组合的分数来显示这里的权重是基于先前的研究[16]选择的，但可以更改为用户认为可接受的任何值。一旦处理完目标函数的所有数据，就将遗传算法应用于142wt：141 wt用于单词，1 wt用于α。前者被设置为整数基因，约束到域0，1，或2. 最后一个基因是连续的，必须在0.1和0.9之间。遗传算法（见图1）最大化的目标函数，灰给定的142个权重。这里的人口规模设置为100，单身使用交叉，精英主义5%，并且收敛继续，直到5代的差异为0.001或已经过去30分钟。结果是141个单词和α的最终权重集。到为了确保遗传算法没有找到最近的局部最大值，它用不同的初始权重运行了两次。一旦遗传算法收敛，每个患者都有一组与他们的“单词”相匹配的权重，并计算2.4. 统计分析患者按其最大RS分类，并分组为十分位数。获得每个十分位数的死亡率，并将二次多项式模型拟合为十分位数的十分位数的最大RS。此外，确定了最大RS的三个阈值，这将产生三个风险组：低风险、中等风险和高风险。一个快速的非线性优化器将maxRS分数分为三个箱，其中箱之间的死亡率差异最大Western IRB获得了在两家参与医院进行研究的许可。无需知情同意。所有分析均使用SAS V9.4、SAS/IML和R语言V4.0.2进行。3. 结果在本研究的1810例ICU入院患者中，185例（10.2%）在ICU出院前死亡。这与其他研究中报道的情况非常接近在ICU住院期间的某个时间点需要机械通气的入院频率为19.6%，略低于之前的水平[18]。93.7%的住院患者是首次住院，这意味着6.3%的住院患者是阅片。这与以前的国家报告中的这一指标非常接近[19]。表4显示了呼吸频率、平均动脉血压和氧饱和度的临界点和分组。心率临界点见表2。将字母分配给呼吸率箱时略有偏离，因为最初前两个箱的死亡率非常相似。它们被融合了，所以只有两个临界点和呼吸率的三个箱。这导致最多有64个可能的呼吸频率单词（包括如果单词不具有频率300，则将其与其他这样的单词聚合。在所有患者中，这种情况仅发生2.3%。就非XXX单词包含“L”（缺失值）的次数而言，该频率为18.4%。优化最大RS和结果之间关系的遗传算法运行了三次，结果变化很小，因此选择了第一次运行目标函数的最终值为705。如果所有患者均分配至最大组（存活出院），则该值为442.5（1625*0.5+185*-2.0）。看向另一表4用于箱创建的切割点。呼吸频率a平均动脉压氧饱和度15.7965.479029.0871.949390.6396a只有两个分界点和三个字母箱，因为两个箱得出的死亡率相似。A.A. 克莱默医学信息学解锁26（2021）1007546+++===-=假设所有患者都被随机分配了一个结局（89.8%的结局概率是存活，10.2%的结局概率是死亡），并以同样的方式分配了一个VisIG评分（89.8%接受rSGNIPHY评分4，10.2%接受rSGNIPHY评分>8）。那 么 目 标 函 数 将 等 于 48.2 （ 1810* （ （ 0.898^2*0.5 ）（0.898*0.102*-2.0）（0.898*.102*-2.5））（0.102^2*3.5））。这两个结果都远低于遗传算法得出的705分。最大RS评分范围为0.00-6.51。它的分布如图4所示，并略有偏斜，平均值为2.54（标准误差0.02）和中位数2.33（四分位数内范围）1.82、3.10）。 在将所有患者按其最大rSIGNIPHY评分排序，然后将患者分成8组（即增加12.5%分位数）后，图5显示了各组死亡率的图（实线）。增加最大rSIGNI之间存在显著关系PHY评分和死亡率增加。黑色虚线显示应用于数据的二阶多项式模型，其具有98.1%的R2。前几组的死亡率相当平稳，rSIGNIPHY为2.5时，斜率急剧上升。在rSIGNIPHY 3.1时，死亡率再次加速。非线性优化器显示最大rSIGNIPHY评分的最佳分割为2.9和3.9，导致低风险组为0中危组为2.91- 3.90表5列出了每一组的死亡率低风险组作为参照死亡率为3.2%。中度风险组的死亡率上升至18.8%，几乎是低风险组的6倍。 高风险组参考组 上方的折痕 。χ2 统计量 为227 ， 具有高度显 著性（p0.001），各风险组死亡率增加的Cochran-Armitage趋势检验的Z评分为15.1（p 0.001）。<<4. 讨论我们描述了一种新的范式，用于识别30分钟内的生理模式，这些模式是死亡率的预测因子：rSIGNIPHY。结果令人信服。高危组患者的死亡率见图4。最大rSIGNIPHY评分（maxRS）1810名患者。图五. ICU死亡率作为最大rSIGNIPHY评分（maxRS）的函数。表5三个rSIGNIPHY风险组的ICU死亡率死亡率%相对风险低风险1164中等风险3113872百分之三点二百分之十八点八参考组5.9高风险1507533.3%10.5比低风险患者高10.5倍。死亡率随着人群中最大rSIGNIPHY评分的增加而应该注意的是，虽然本文所述研究的数据收集是实时的，但最终预测模型的开发是回顾性的。然而，所得到的rSIGNIPHY算法及其词权重对的集合可以用于后续的患者队列，以生成死亡风险的实时评估。此外，在现场环境中验证rSIGNIPHY也很重要。目前正在进行一项研究，使用此处提供的算法为参与本研究的ICU实时创建rSIGNIPHY评分我们之前的研究使用了从大型ICU数据库中回顾性收集的数据，结果相似，但不太明显。本研究中使用的数据是前瞻性收集的（尽管分析是回顾性的），所有的疣都与未被清除的数据相关。然而，这使我们的数据比我们以前的工作中看到的更细的粒度，这可能是这里看到的改进结果的原因。这里看到的准确性的其他可能原因包括取中位数而不是平均值，这最大限度地减少了离群值的影响;观察30分钟内的模式，而不是最大值或最小值;使四个生命体征并行产生综合评分;以及将机械通气状态添加到评分中。后者很重要，因为使用呼吸机可能会扭曲生命体征值，特别是呼吸频率。此外，接受机械通气给患者带来额外的负担，这是由于获得感染的风险，并且最有可能的是，被注射了大量镇静剂我们使用遗传算法将每个生命体征的分布划分为死亡率变化最大的箱。还有其他尝试来划分连续变量，最值得注意的是单变量标记算法[20]。该方法寻找高于和低于生命体征中值的单个切割点，尝试50个这样的组合，以找到结果的最大可变性。我们的方法没有这些限制，优化是通过遗传算法对数千种可能的解决方案进行的。这有助于我们识别在构建单词时提供最大信息的字母。在rSIGNIPHY中使用遗传算法也很重要，A.A. 克莱默医学信息学解锁26（2021）1007547给每个单词分配权重。遗传算法擅长于从数百万种可能性中挑选出最佳集合假设一个生命体征可能由125个单词表示，每个具有0、1或2的权重意味着存在3125= 4.3E59解。只针对一个生命体征的权重;这里我们显然，蛮力搜索算法在试图找到有意义的最大值时是站不住遗传算法并非没有问题，最相关的我们试图通过使用不同的初始权重运行遗传算法三次来防止这种情况。一个更好的策略可能是运行遗传算法100次，并为每个单词获取模态权重。像粒子群优化[21]和蚁群优化[22]这样的进化算法可以取代遗传算法，因为它们运行得更快。最后，使用遗传算法，然后使用模拟退火[23]可能会提供一种改进，以防止找到局部最大值。如何在医院的ICU中实施这样一个系统，也许最直接的方法是允 许 1000 名 患 者 的 在 老 化 阶 段 之 后 ， 患 者 可 以 开 始 接 受rSIGNIPHY评分。此后，可以周期性地更新权重，直到从一组权重到下一组权重的变化是微不足道的。这种类型的计划避免了在许多医院中使用一组权重，因为在医院之间的患者病例数和临床医生绩效存在潜在差异。诸如rSIGNIPHY之类的分析系统仅与医生对rSIGNIPHY评分所暗示的内容的理解一样好实现这一点的一种方法是在轮班开始时，通过rSIGNIPHY评分帮助设置舍入优先级。另一个机会可能是在ICU内的远程医疗中使用rSIGNIPHY一些远程医疗“bunkers’ have information on 的rSIGNIPHY评分可用于标记具有最高死亡风险的患者，以优先考虑护理。未来的研究方向包括探索rSIGNIPHY增加其他经常评估的生理指标，如温度和葡萄糖，可以支持rSIGNIPHY。这项研究存在局限性。只有6名ICU患者，因此结果很可能无法扩展到其他ICU。有效的温度读数不可用;增加生理测量将改善我们的结果。1810例患者的样本我们选择包括没有特定生命体征的时间段该算法可以使用插补值，即最后记录的测量值。然而，我们认为，失踪本身就是信息。权重={1或2}的单词中有50%至少有一个字母“L”，这最后，我们没有纳入可能改变生命体征测量结果的 药 物 信 息 ， 如 血 管 加 压 药 和 安 定 。 缺 乏 该 信 息 降 低 了rSIGNIPHY的预测能力，因此此处提供的该分析系统的未来版本将测试添加这些变量以及如何获得生命体征信息的可行性（例如，G.对于平均动脉压，通过动脉线或非侵入性读数）"。5. 结论使用遗传算法来识别与死亡率相关的特定生理尽管回顾性分析了数据，但rSIGNIPHY在将患者分配到风险组方面证明是成功的：低，中度和高度。高风险组的死亡率是低风险组的10.5倍，患者最大rSIGNIPHY评分的增加与死亡率的展望未来，实施rSIGNIPHY前瞻性地为患者分配死亡风险可能会导致更精确的患者治疗顺序。竞合利益作者声明，他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。确认这项研究没有从公共、商业或非营利部门的资助机构获得任何具体的资助。我们谨此感谢本研究附录A. 补充数据本 文 的 补 充 数 据 可 在 https ： //doi 网 站 上 找 到 。org/10.1016/j.imu.2021.100754。引用[1] Zimmerman JE，Kramer AA.重症监护结果预测：急性生理学和慢性健康评估模型。Curr Opin Crit Care 2008;14（5）：491https://doi.org/10.1097/MCC.0b013e32830864c0网站。[2] Higgins TL，Teres D，Copes，等.评估当代ICU结局：更新的重症监护医学2007;35（3）：827-35。https://doi.org/10.1097/01.CCM.0000257337.63529.9F网站。[3] vanBerkel A，van Lieshout J，Hellegering J，等. ApacheII评分低的重症监护患者的死亡原因。Neth J Med 2012;70（10）：455-9。PMID：23230015。[4] Zimmerman JE，Kramer AA，Malila FM，McNair DM.急性生理学和慢性健康评估（APACHE）IV：当今危重患者的医院死亡率评估重症监护医学2006;34（5）：1297-310。https://doi.org/10.1097/01的网站。CCM.0000215112.84523.F0。[5] Moreno RP，Metnitz PGH，Almeida E，et al. SAPS 3-从患者评估到重症监护病房评估。第2部分：ICU入院时医院死亡率的预后模型的开发。重症监护医学2005;31：1345-55. https://doi.org/10.1007/s00134-005-2763-5网站。[6] Harrison DA，Brady AR，Parry GJ，等.英国成人普通重症监护病房大规模多中心入院队列中风险预测模型的重新校准重症监护医学2006;34（5）：1378-88。https://doi.org/10.1097/01的网站。CCM.0000216702.94014.75网站。[7] Kramer AA，Zimmerman JE，Knaus WA.SCCM前50年的疾病严重程度和预测模型重症监护医学2021;49（5）：728https://doi.org/10.1097/CCM.0000000000004924网站。[8] Giannini HM，Ginestra JC，Chivers C，等.预测严重脓毒症和脓毒性休克的机器学习算法重症监护医学2019;47（11）：1485-92。https://doi.org/10.1097/CCM.00000000003891.[9] 放大图片创作者：Weller P.应用遗传算法合成的人工神经网络预测危重病人的预后柳叶刀1996;347：1146-50. https：//doi.org/10.1016/S0140-6736（96）90609-1. 九千零九[10] Pirracchio R，Petersen ML，Carone M，et al.使用超级ICU学习算法（SICULA）预测重症监护病房的死亡率：一项基于人群的研究。柳叶刀呼吸医学2015;3（1）：42-52。https：//doi.org/10.1016/S2213-2600（14）70239-5.[11] David JP，Wessells DA，Moorman R.2019年冠状病毒疾病需要预测分析监测-一种新型的疾病评分系统。Crit Care EX plorations 2020;2（12）：e0294.https://doi.org/10.1097/CCE.0000000000000294网站。[12] Shickel B，Loftus TJ，Adhikari L.DeepSOFA：使用临床可解释的深度学习为重症患者提供连续的敏锐度评分9.第九章. 网址：//doi. org/10.1038/s41598-019-38491-0。2019年。[13] Kramer AA，Sebat F，Lissauer M.一个审查早期预警系统，以及时发现患者的风险，临床下降。J Trauma Acute Care Surg 2019;87（1S）：S67-73。https://doi.org/10.1097/TA.0000000000002197网站。1S Suppl 1.[14] 米切尔M.遗传算法导论。Cambridge，MA：MIT Press;1996，ISBN9780262133166.[15] Engoren MC，Moreno R，Miranda DR. A genetic algorithm to predicthospitalmortality in an ICU population. 重症监护医学1999年12月;27（12）：A52。[16] 克莱默AA。持续更新的预测分析模型，用于及时检测具有高死亡风险的重症患者医学研究档案A.A. 克莱默医学信息学解锁26（2021）10075482019年7月11日。2019 年，www.journals.ke-i.org/mra/article/view/2008。2020年9月21日检索）。doi：10.18103/mra.v7i11.2008。[17] Kramer AA，Gershengorn HB，Wunsch H，Zimmerman JE. ICU中病例-MIX-调整的机械通气持续时间的变化。重症监护医学2016;44（6）：1042-8。https://doi.org/10.1097/CCM.0000000000001636网站。[18] [10]刘晓波，王晓波，王晓波.医院获得性肺炎和呼吸机相关性肺炎：流行病学和管理的最新进展。肺医学当前观点2013;19（3）：216-28。https://doi.org/10.1097/MCP.0b013e32835f27be。[19] Kramer AA，Higgins TL，Zimmerman JE.重症监护病房再入院率与患者预后之间的关系重症监护医学2013;41（1）：24-33。https://doi.org/10.1097/CCM.0b013e3182657b8a网站。[20] Sheth M，Gerovitch A，Welsch R，等.单变量标记算法（UFA）：预测建模的可解释方法。PLoS One 2019;14（10）：1-15.https://doi.org/10.1371/journal.pone.0223161网站。[21] Eberhart RC，Kennedy J.一种新的粒子群优化算法。1995年第50届微机械与人的科学国际研讨会论文集：39https://doi.org/10.1109/MHS.1995.494215网站。[22] Dorigo M，Stützle T.蚁群算法Cambridge，MA：MIT Press; JUN2004，ISBN9780262042192.[23] Kirkpatrick S，Gelatt CD，Vecchi MP.模拟退火优化Science 1983;220（4598）：671-80. https://doi.org/10.1126/science.220.4598.671网站。
