基于深度嵌入聚类的ICU患者生理数据缺失插补

doi:10.12068/j.issn.1005-3026.2022.05.005

东北大学学报（自然科学版） ›› 2022, Vol. 43 ›› Issue (5): 639-645.DOI: 10.12068/j.issn.1005-3026.2022.05.005

基于深度嵌入聚类的ICU患者生理数据缺失插补

李建华¹，朱泽阳¹，徐礼胜^1,2，孙国哲³

(1. 东北大学医学与生物信息工程学院，辽宁沈阳110169; 2. 沈阳东软智能医疗科技研究院有限公司，辽宁沈阳110167; 3. 中国医科大学附属第一医院心血管内科，辽宁沈阳110001)

修回日期:2021-07-13 接受日期:2021-07-13 发布日期:2022-06-20
通讯作者: 李建华
作者简介:李建华(1973-)，男，河北怀来人，东北大学讲师; 徐礼胜(1975-)，男，安徽安庆人，东北大学教授，博士生导师.
基金资助:
国家自然科学基金资助项目(61773110); 中央高校基本科研业务费专项资金资助项目(N2119007，N2119008)；沈阳市科学技术计划基金资助项目(20201410); 沈阳东软智能医疗科技研究院有限公司会员课题项目(MCMP062002).

Interpolation of Missing Physiological Data of ICU Patients Based on Deep Embedded Clustering

LI Jian-hua¹， ZHU Ze-yang¹， XU Li-sheng^1,2， SUN Guo-zhe³

1. School of Medicine and Biological Information Engineering， Northeastern University， Shenyang 110169， China; 2. Neusoft Research of Intelligent Healthcare Technology， Co.，Ltd.， Shenyang 110167， China; 3. Department of Cardiovascular Medicine， The First Hospital of China Medical University， Shenyang 110001， China.

Revised:2021-07-13 Accepted:2021-07-13 Published:2022-06-20
Contact: XU Li-sheng
About author:-
Supported by:
-

摘要/Abstract

摘要： 电子病历数据经常存在缺失，严重影响分析结果.基于MIMIC数据库中的重症监护单元(intensive care unit，ICU)患者数据研究缺失值插补，数据集由23组临床常用生理变量以及不存在缺失的5260例样本构成.提出了一种基于深度嵌入聚类的K近邻插值方法.该方法以深度嵌入聚类为核心，通过多次聚类构造样本邻近度矩阵，再选择缺失样本的K个近邻样本，以这些近邻样本的平均值填补缺失.与均值插补、中值插补、后验分布估算插补和条件均值插补相比，该方法插补后的结果与原数据相似度更高，且更好地保留了样本间的差异性.

关键词: 重症监护单元;电子病历;缺失值插补;深度嵌入聚类;邻近度矩阵

Abstract: The data in electronic medical records are often missing， significantly affecting the analysis results. The ICU(intensive care unit)patients’ data in MIMIC database were analyzed for missing value interpolation， and the dataset consists of 23 groups of commonly used clinical physiological variables and 5260 samples without missing values. A K-nearest neighbor interpolation method was proposed based on deep embedded clustering. This method takes deep embedded clustering as the core， constructs the sample proximity matrix through multiple clustering， and then regards the average value of K-nearest neighbor of missing samples as the missing values. Compared with mean interpolation， median interpolation， a posteriori distribution estimation interpolation and conditional mean interpolation， the proposed method obtains higher similarity between the interpolated results and the original data， and better retains the differences between various samples.

Key words: intensive care unit(ICU); electronic medical record; missing value interpolation; deep embedded clustering; proximity matrix

中图分类号:

TP391.4

李建华，朱泽阳，徐礼胜，孙国哲. 基于深度嵌入聚类的ICU患者生理数据缺失插补[J]. 东北大学学报（自然科学版）, 2022, 43(5): 639-645.

LI Jian-hua， ZHU Ze-yang， XU Li-sheng， SUN Guo-zhe. Interpolation of Missing Physiological Data of ICU Patients Based on Deep Embedded Clustering[J]. Journal of Northeastern University(Natural Science), 2022, 43(5): 639-645.

参考文献

[1]Digiovine B，Chenoweth C，Watts C，et al.The attributable mortality and costs of primary nosocomial bloodstream infections in the intensive care unit［J］.American Journal of Respiratory and Critical Care Medicine，1999，160(3):976-981.
[2]侯明曙.重症监护病房的发展现状［J］.现代医药卫生，1995(2):40.(Hou Ming-shu.Development status of intensive care unit ［J］.Modern Medicine and Health，1995(2):40.)
[3]Idri A，Benhar H，Fernández-Alemán J L，et al.A systematic map of medical data preprocessing in knowledge discovery［J］.Computer Methods and Programs Biomedicine，2018，162:69-85.
[4]El-Rashidy N，EI-Sappagh S，Abuhmed T，et al.Intensive care unit mortality prediction:an improved patient-specific stacking ensemble model［J］.IEEE Access，2020，8:133541-133564.
[5]Macas M，Kuzilek J，Odstrcilik T，et al.Linear Bayes classification for mortality prediction［C］// 2012 Computing in Cardiology.Krakow:IEEE，2012:473-476.
[6]Kim S，Kim W，Park R W.A comparison of intensive care unit mortality prediction models through the use of data mining techniques［J］.Healthcare Informatics Research，2011，17(4):232-243.
[7]Liu J，Chen X，Fang Z，et al.ICU mortality prediction using modified cost-sensitive PCA and chaos PSO［C］// 2017 IEEE the 19th International Conference on e-Health Networking，Applications and Services(Healthcom).Dalian:IEEE，2017:1-6.
[8]Johnson A E，Pollard T J，Shen L，et al.MIMIC-III，a freely accessible critical care database［J］.Scientific Data，2016，3:160035.
[9]Pickering B W，Gajic O，Ahmed A，et al.Data utilization for medical decision making at the time of patient admission to ICU［J］.Critical Care Medicine，2013，41(6):1502-1510.
[10]Peng X，Feng J，Zhou J T，et al.Deep subspace clustering［J］.IEEE Transactions on Neural Networks and Learning Systems，2020，31(12):5509-5521.
[11]Vincent P，Larochelle H，Bengio Y，et al.Extracting and composing robust features with denoising autoencoders［C］//Proceedings of the 25th International Conference on Machine Learning.Helsinki，2008:1096-1103.
[12]Yang B，Fu X，Sidiropoulos N D，et al.Towards k-means-friendly spaces:simultaneous deep learning and clustering［C］//Proceedings of the 34th International Conference on Machine Learning.Sydney，2017:3861-3870.
[13]Masci J，Meier U，Ciresan D，et al.Stacked convolutional auto-encoders for hierarchical feature extraction［C］//Proceedings of the 21th International Conference on Artificial Neural Networks.Espoo，2011:52-59.
[14]Jain A K.Data clustering:50 years beyond k-means［J］.Pattern Recognition Letters，2010，31(8):651-666.
[15]Dasuki Y D，Sheng O C，Hee L M，et al.A hybrid k-means-GMM machine learning technique for turbomachinery condition monitoring［C］//MATEC Web of Conferences.Sabah，2019:06008.
[16]Fred A L N，Jain A K.Combining multiple clusterings using evidence accumulation［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27(6):835-850.

基于深度嵌入聚类的ICU患者生理数据缺失插补

Interpolation of Missing Physiological Data of ICU Patients Based on Deep Embedded Clustering

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	丁其川，王力，刘成. 融合长距离信道注意力与病理特征的肺结节分类[J]. 东北大学学报（自然科学版）, 2023, 44(4): 476-485.
[2]	杨丹，刘国如，任梦成，裴宏杨. 多尺度卷积核U-Net模型的视网膜血管分割方法[J]. 东北大学学报（自然科学版）, 2021, 42(1): 7-14.
[3]	原培新，陈鼎夫. 双能X射线高动态范围安检图像压缩算法[J]. 东北大学学报（自然科学版）, 2021, 42(1): 96-101.
[4]	张田，田勇，王子，王昭东. 基于清晰度评价的自适应阈值图像分割法[J]. 东北大学学报:自然科学版, 2020, 41(9): 1231-1238.
[5]	徐久强，张金鹏，贾玉其，邵建新. 基于集成学习的束支传导阻滞识别方法[J]. 东北大学学报:自然科学版, 2020, 41(3): 321-326.
[6]	徐礼胜，宋代远，刘文彦，王瑜璠. 用不同外周动脉波形重建主动脉波形的对比研究[J]. 东北大学学报:自然科学版, 2020, 41(2): 188-192.
[7]	冯宝，李昌林，李智，刘壮盛. 基于活动轮廓模型和影像组学的乳腺癌LVI状态预测[J]. 东北大学学报:自然科学版, 2020, 41(2): 193-199.
[8]	石春鹤，吴成东. 基于加权稀疏非负矩阵分解的车脸识别算法[J]. 东北大学学报:自然科学版, 2019, 40(10): 1376-1381.
[9]	张云洲，郑瑞，暴吉宁，朱尚栋. 基于多个相关滤波器的行人跟踪尺度算法[J]. 东北大学学报:自然科学版, 2019, 40(9): 1228-1234.
[10]	陈红，于晓升，吴成东，孙鹏. 参数化水平集活动轮廓模型的快速图像分割算法[J]. 东北大学学报:自然科学版, 2019, 40(1): 6-10.
[11]	张良钰，边天元，徐礼胜. 冠脉狭窄对外周与中心动脉间传递函数的影响[J]. 东北大学学报:自然科学版, 2018, 39(12): 1702-1707.
[12]	赵海，李雄峰，朱宏博，王彬. 基于分形维数特征的肺结节形状建模[J]. 东北大学学报:自然科学版, 2018, 39(11): 1545-1551.
[13]	窦圣昶，赵海，朱宏博，王彬. 修正与融合的肺部分割算法[J]. 东北大学学报:自然科学版, 2018, 39(11): 1562-1566.
[14]	徐礼胜，张书琪，牛潇，徐阳. 基于全卷积网络的左心室射血分数自动检测[J]. 东北大学学报:自然科学版, 2018, 39(11): 1572-1576.
[15]	齐林，吕旭阳，杨本强，徐礼胜. 基于全卷积网络迁移学习的左心室内膜分割[J]. 东北大学学报:自然科学版, 2018, 39(11): 1577-1582.