Integrating Digital Twin Technology with Dynamic Ensemble Learning for Sepsis Prediction in Intensive Care Units

Abstract

패혈증은 감염에 대한 과도한 면역 반응이 특징인 복잡하고 생명을 위협하는 상태로, 병원에서 높은 사망률을 초래한다. 빠르고 정확한 진단은 생존율을 향상시키는 데 필수적이지만, 현재의 관행은 개인화된 예측 도구가 부족하다. 전자 의무 기록의 등장은 자동화된 임상 의사 결정 시스템의 개발을 촉진시켰지만, 이러한 도구의 효과는 기계 학습(ML) 및 디지털 트윈(DT) 기술의 사용을 통해 크게 향상시킬 수 있다. 본 연구는 중환자실(ICU)에서 시계열 환자 데이터를 분석하기 위해 DT 기술을 통합한 새로운 계층적 ML 모델을 도입함으로써 패혈증 관리에서 중요한 격차를 메우고자 한다. MIMIC-IV 데이터 세트에서 강력한 코호트를 활용하여, 고전적, 정적 앙상블 및 동적 앙상블을 포함한 다양한 ML 모델을 구현하고 최적화한다. KNOP 모델이 기존의 방법론을 능가하며, 의학적으로 직관적이고 신뢰할 수 있는 패혈증 예측 방법을 제공한다는 것을 나타낸다. 이 선구적인 연구는 ICU 패혈증 예측에 DT기술과 동적 앙상블을 적용한 최초의 연구로, 환자 맞춤형 건강 관리에서 미래의 발전을 위한 기초를 제공한다.

Ähnliche Arbeiten