早期偵測敗血症不良結果：利用深度學習與模糊支持向量機

龔千芬; 龔嘉德; 蘇志民; 郝沛毅; 林奕儒

山西大学，您好！

感谢采购，人社期刊库｜人社论文库，期间：2025/01/01~2025/12/31

感谢试用，科学期刊库｜科学论文库，期间：2024/10/20~2025/01/20

浏览高级检索

关闭
检索检索高级检索出版物检索
浏览期刊主题浏览核心期刊浏览期刊拼音浏览

关闭

查询符号(半角)	查询符号意义说明
空格	表示为「AND」两个查询词之交集
双引号 ( " " )	片语以双引号标示开始及结束，而且只寻找出现顺序相同的字词，例： " image process "
?	表示一个字母切截，输入两个?表两个字母，依此类推，例：输入「Appl?」，查得结果应为appl e , appl y … ( 常用于英文字查询 )
*	表示不限字母切截，由0~n. 例：输入「appl*」，查得结果应为appl e , appl es , appl y , appl ied , appl ication … ( 常用于英文字查询 )
AND、OR、NOT	布尔逻辑组合关键字，用来扩大或缩小查询范围的技巧。 (1) AND ：缩小查询范围 (2) OR ：扩大查询范围(3) NOT：排除不相关的范围

DOI 是数位物件识别码（ D igital O bject I dentifier ）的简称，
为物件在网路上的唯一识别码，可用于永久连结并引用目标物件。

使用DOI作为永久连结

每个DOI号前面加上「 http://dx.doi.org/ 」便成为永久网址。
如以DOI号为 10.5297/ser.1201.002 的文献为例，此文献的永久连结便是： http://dx.doi.org/ 10.5297/ser.1201.002 。
日后不论出版单位如何更动此文献位置，永久连结所指向的位置皆会即时更新，不再错失重要的研究。

引用含有DOI的文献

有DOI的文献在引用时皆应同时引用DOI。若使用APA、Chicago以外未规范DOI的引用格式，可引用DOI永久连结。

DOI可强化引用精确性、增强学术圈连结，并给予使用者跨平台的良好使用经验，目前在全世界已有超过五千万个对象申请DOI。如想对DOI的使用与概念有进一步了解，请参考（）。

ACI:

数据来源：Academic Citation Index，简称ACI

台湾最大的引用文献资料库，目前收录台湾与港澳地区所出版的人文学、社会学领域学术期刊之书目资料与参考文献，总期刊量超过690种，每年定期公布收录期刊的影响指数(Impact Factor)等指标给大众，并提供专家学者与学术单位实用的计量与分析功能。

五年影响指数（5-Year Impact Factor）：某一期刊前五年所出版的文章在当年度的平均被引用次数。

公式：（前五年发表论文在统计年的被引用次数）÷（前五年论文产出论文总篇数）

例如：A期刊2017年之五年影响指数

(A期刊2012-2016年发表论文在2017年的被引总次数)/(A期刊2012-2016年发表的论文总数)

什么是预刊文章？

为提供读者最前线之学术资讯，于期刊文献获同意刊登后、纸本印制完成前，率先于网路线上发表之文章即为预刊文章。预刊文章尚未有卷期、页次及出版日期资讯，但可藉由DOI号识别。 DOI号是文献的数位身份证字号，不论预刊或正式出版皆不会改变，读者可点击DOI连结，或于DOI号前面加上「 http://dx.doi.org/ 」连结到文献目前最新版本。

如何引用预刊文章？

请使用预刊文章的线上发表日期及DOI号来引用该篇文献。

引用范例(视不同引文格式规范可能有所差异)：

作者姓名。文章篇名。期刊名称。 YYYY/MM/DD线上预先发表。

doi:DOI 号

来源数据

P445 - 476

基础与应用科学 > 资讯科学
社会科学 > 管理学

DOI： 10.6382/JIM

书目管理工具

相关连结

问题回报

全文下载

早期侦测败血症不良结果：利用深度学习与模糊支持向量机

Early detection of sepsis utilizing deep learning and fuzzy support vector machine

龚千芬(Chien-Feng Kung) ；龚嘉德(Chia-Te Kung) ；苏志民(Chih-Min Su) ；郝沛毅(Pei-Yi Hao) ；林奕儒(Yi-Ju Lin)

资讯管理学报； 28 卷 4 期 (2021 / 10 / 31) ， P445 - 476

繁体中文

败血症早期预测；深度学习；模糊支持向量机；臨床决策支持系统；医学资讯学； Sepsis early prediction ； deep learning ； fuzzy support vector machines ； clinical decision support systems ； medical informatics

0 个人觉得这篇文章赞

摘要 │ 参考文献 (31) │ 被引用文献 (1) │ 国际计量

摘要〈TOP〉

并列摘要〈TOP〉

Sepsis is a leading cause of death over the world and septic shock, the most severe complication of sepsis, reaches a mortality rate as high as 50%. The World Health Organization estimates that more than six million people die of sepsis annually, and early diagnosis and treatment can prevent most morbidity and mortality. However, reliable and intelligent systems for predicting sepsis are scarce. The rapid development in big data analytics and the data-rich environment of intensive care units has generated great interest in developing models to predict acute medical conditions such as septic shock. This study proposes a novel technique that combines long short-term memory (LSTM), convolutional neural network (CNN), fully connected neural network, and fuzzy twin support vector machine to achieve early prediction of sepsis. We used data from the electronic health records (EHRs) of all patients above 17 years old admitted to the medical ICU at Chang-Geng Memorial Hospital between January 2010 and December 2018. The extracted data contained sets of static features, such as demographic and clinical information, and temporal features such as time-stamped vital signs. In this study, we propose a general deep neural network framework that incorporates two additional components with the aim of improving LSTM to automatically extract important features. The first component, a CNN, is added before LSTM to obtain local characteristics of EHRs. The second component, a fully connected neural network, introduces static information (e.g., age) to LSTM. Finally, a LSTM is applied to handle dynamic information (e.g., the lab result). The features learned by the deep learning model are fed to a novel fuzzy twin support vector to predict sepsis onset in patients admitted to an intensive care unit. Using EHRs data, sepsis onset can be predicted up to 28 d in advance. Our findings will offer an early solution for mitigating the risk of sepsis onset.

参考文献 ( 31 ) 〈TOP〉

Bhandary, A.,Prabhu, G.A.,Rajinikanth, V.,Thanaraj, K.P.,Satapathy, S.C.,Robbins, D.E.,Shasky, C.,Zhang, Y.-D.,Tavares, J.M.R.S.,Raja, N.S.M.(2020).Deep-Learning Framework to Detect Lung Abnormality - A study with Chest X-Ray and Lung CT Scan Images.Pattern Recognition Letters,129,271-278.
Demšar, J.(2006).Statistical Comparisons of Classifiers over Multiple Data Sets.Journal of Machine Learning Research,7(1),1-30.
Despins, L.A.(2017).Automated detection of sepsis using electronic medical record data: a systematic review.Journal for Healthcare Quality,39(6),322-333.
Doi, K.,Yuen, P.S.,Eisner, C.,Hu, X.,Leelahavanichkul, A.,Schnermann, J.,Star, R.A.(2009).Reduced production of creatinine limits its use as marker of kidney injury in sepsis.Journal of the American Society of Nephrology: JASN,20(6),1217-1221.
Fairchild, K.D.,O'Shea, T.M.(2010).Heart rate characteristics: physiomarkers for detection of late-onset neonatal sepsis.Clinics in Perinatology,37(3),581-598.

被引用文献 ( 1 ) 〈TOP〉

龚千芬,郝沛毅(2022)。融合深度神经网路与深层模糊孪生支持向量机於股价预测。资讯管理学报，29(4)，303-333。

国际计量

〈TOP〉

E-mail ：

文章公开取用时，将寄通知信至您填写的信箱地址