[发明专利]基于惩罚集成模型的ICU死亡率预测方法及系统

权利要求书

1.一种基于惩罚集成模型的ICU死亡率预测方法，其特征在于，包括：

从多维度获取ICU患者的多个原始数据特征；

对获取的多个原始数据特征进行预处理；

在原始数据特征的基础上挖掘并提取新的数据特征；

基于集成模型内的算法对原始数据特征和新的数据特征进行选择，形成输入特征集；对于逻辑回归算法，使用递归特征消除方法进行特征选择，获得特征集一；LightGBM算法，使用Kruskal-Wallis测试方法进行特征选择，获得特征集二；

将形成的特征集一和特征集二输入已训练且测试好的集成模型内以获得ICU死亡率预测结果，所述集成模型集成了基于权重惩罚策略的逻辑回归算法和基于权重惩罚策略的LightGBM算法；权重的调整采用如下计算方式：

其中w_i表示属于第i类ICU患者的权重系数；NT表示特征集中所有ICU患者的数目；NC_i表示属于第i类ICU患者的数目；p_i表示属于第i类ICU患者的权重惩罚因子，通过网格搜索和交叉验证方法确定最优解。

2.根据权利要求1所述的基于惩罚集成模型的ICU死亡率预测方法，其特征在于，将ICU患者分为存活患者和死亡患者两大类别，通过网格搜索和5折交叉验证方法获得基于权重惩罚策略的逻辑回归算法和基于权重惩罚策略的LightGBM算法时，改进的逻辑回归算法中存活患者的权重惩罚因子p₁和死亡患者的权重惩罚因子p₂均为1，改进的LightGBM模型中的存活患者的权重惩罚因子p₁为1，死亡患者的权重惩罚因子p₂为10。

3.根据权利要求1所述的基于惩罚集成模型的ICU死亡率预测方法，其特征在于，基于权重投票策略集成基于权重惩罚策略的逻辑回归算法和基于权重惩罚策略的LightGBM算法，权重投票策略计算方式为：

其中，表示ICU患者的特征向量，表示对ICU患者的特征向量的加权投票策略预测结果，表示学习算法h_j在第i类ICU患者中的概率，m_j表示学习算法h_j的权重。

4.根据权利要求3所述的基于惩罚集成模型的ICU死亡率预测方法，其特征在于，通过网格搜索和5折交叉验证方法获得基于权重投票策略集成基于权重惩罚策略的逻辑回归算法和基于权重惩罚策略的LightGBM算法时，基于权重投票策略的逻辑回归算法的权重m₁为0.8，基于权重惩罚策略的LightGBM算法的权重m₂为0.2。

5.根据权利要求1所述的基于惩罚集成模型的ICU死亡率预测方法，其特征在于，在形成输入特征集时，对于集成模型内的基于权重惩罚策略的逻辑回归算法采用递归特征消除方法进行特征选择；对于基于权重惩罚策略的LightGBM算法采用Kruskal-Wallis测试方法进行特征选择。

6.根据权利要求1所述的基于惩罚集成模型的ICU死亡率预测方法，其特征在于，获取ICU患者的多个原始数据特征时从人口统计学信息、ICU相关信息、手术相关信息、用药相关信息以及ICU设备产生的检测参数信息五个维度上去获取。

7.根据权利要求1所述的基于惩罚集成模型的ICU死亡率预测方法，其特征在于，对获取的多个原始数据特征进行预处理包括：

去除多个原始数据特征内的冗余数据；

根据预设的缺失比例处理规则对多个原始数据特征内的数据进行缺失处理；

对冗余处理和缺失处理后的数据进行归一化；

对类别型数据进行one-hot编码，将类别型数据转换成数值型数据。

8.一种基于惩罚集成模型的ICU死亡率预测系统，其特征在于，包括：

数据获取模块，从多维度获取ICU患者的多个原始数据特征；

预处理模块，对获取的多个原始数据特征进行预处理；

数据挖掘模块，在原始数据特征的基础上挖掘并提取新的数据特征；

特征选择模块，基于集成模型内的算法对原始数据特征和新的数据特征进行选择，形成输入特征集；对于逻辑回归算法，使用递归特征消除方法进行特征选择，获得特征集一；LightGBM算法，使用Kruskal-Wallis测试方法进行特征选择，获得特征集二；

预测模块，将形成的特征集一和特征集二输入已训练且测试好的集成模型内以获得ICU死亡率预测结果，所述集成模型集成了基于权重惩罚策略的逻辑回归算法和基于权重惩罚策略的LightGBM算法；权重的调整采用如下计算方式：

其中w_i表示属于第i类ICU患者的权重系数；NT表示特征集中所有ICU患者的数目；NC_i表示属于第i类ICU患者的数目；p_i表示属于第i类ICU患者的权重惩罚因子，通过网格搜索和交叉验证方法确定最优解。