Disusun oleh:
Rossyta (190070300011040)
A. Identifikasi Jurnal
C. Metode Penelitian
4) Pelatihan pengklasifikasi ML
Kinerja dari classifier tergantung pada set prediktornya. Di sebuah UGD khas,
informasi dasar, seperti usia, jenis kelamin, CC, tanda-tanda vital, SpO2(jika
diukur pada awalnya) dan AVPU, tersedia saat triase. Tidak seperti prediktor
lain,CC perlu disematkan ke ruang dimensi yang lebih rendah
mengingatkardinalitas tinggi. Hasil uji laboratorium membutuhkan beberapa jam
untuk dilaporkan;Namun, hasil ini kadang-kadang tersedia di triase jika pasien
dirujuk dari departemen rawat jalan atau layanan kesehatan lainnya. Oleh
karena itu, kami mengasumsikan empat skenario prediksi yang
berbedaketersediaan:
1) Prediktor dasar (usia, jenis kelamin, tanda vital, SpO2 danAVPU),
2) Prediktor baseline dan CC embedding,
3) Prediktor baselineditambah hasil tes laboratorium awal, dan
4)Prediktor dasar ditambah keduanya(Hasil embeddings dan uji laboratorium
CC).
Semua algoritma ML duludioptimalkan dan diuji dalam empat kondisi berbeda
ini. SemuaVariabel non laboratorium yang digunakan dalam penelitian ini
tersedia di triase.Namun, sebagian besar variabel laboratorium tidak tersedia di
kasus triase.
Populasi penelitian secara acak dibagi menjadi pelatihan dandataset uji dengan
rasio 6: 4 menggunakan nomor identifikasi pasien. Enamalgoritma ML dasar,
termasuk mesin vektor dukungan dengan radialbasis function kernel (SVM),
gradient-boosting machine with Bernoulli loss (GBM), random forest (RF),
regresi adaptif multivariatsplines (MARS), penyusutan absolut dan operator
seleksi(Lasso) dan regresi ridge, dinilai. Selain itu, kami juga membangundua
pengklasifikasi ansambel menggunakan SVM, GBM, RF, MARS dan
laso sebagai pelajar dasar (punggungan tidak digunakan karena korelasinya
yang tinggidengan laso). Algoritma pertama menggunakan rata-rata sederhana,
dan yang keduaAlgoritma yang digunakan MARS memanfaatkan prediksi basis
yang divalidasi silangpelajar.
D. Hasil Penelitian
Ada 55.313 kunjungan IGD dengan dugaan infeksi dari 2008 hingga 2016.
(1917, 3,5%) dan mereka dengan nilai hilang N50% (2515, 4,5%), total
septik dalam waktu 24 jam setelah kedatangan di IGD (Tabel 1). Kematian
enam bulan di rumah sakit adalah 31,1% pada kelompok syok septik dan
7,6% pada pasien tanpa syok septik. Durasi rata-rata di IGD adalah 576
menit pada pasien dengan syok septik dan 1036,5 menit pada mereka tanpa
syok septik.
Learning termasuk skor qSOFA dan MEWS dan usia serta nilai yang
yang tidak disesuaikan menunjukkan AUPRC tertinggi 0,395 (95% CI, 0,371-
tabel tambahan 1 dan 2 dan proyeksi 2-D dari menambahkan keluhan utama
CI, 0,895-0,909) untuk rata-rata sederhana dan 0,902 (95% CI, 0,895-0,908)
nilai AUPRC yang lebih tinggi masing-masing 0,556 (0,531-0,580) dan 0,554
(0,529-0,578).
Learning (semua pb 0,001 kecuali RF, yang p = 0,035; tabel tambahan 4).
GBM dan dua model ansambel (p = 0,019, 0,001 dan 0,003, masing-masing)
dan peningkatan AUPRC di GBM, RF, MARS, Lasso, ridge dan keduanya.
pengklasifikasi (28/28) diikuti oleh AVPU: Alert (19/28), SpO2 (9/28), DBP
cairan yang adekuat dapat ditunda hingga enam jam. Dengan asumsi ini,
49.299 dari 4782 / 49.299. Hasil analisis sensitivitas tidak berbeda dengan
menunjukkan kinerja yang lebih unggul dibandingkan dengan skor klinis dan
E. Diskusi