| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-23页 |
| 1.1 研究基础 | 第10-13页 |
| 1.1.1 重症监护数据库 | 第10-12页 |
| 1.1.2 肝脏功能系统障碍 | 第12页 |
| 1.1.3 基于Python的机器学习库与数据库管理系统 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-20页 |
| 1.2.1 关于MIMIC数据库的检索分析 | 第14-17页 |
| 1.2.2 使用MIMIC-III数据库进行死亡率预测的文献分析 | 第17页 |
| 1.2.3 关于MODS与肝脏系统功能障碍的文献检索 | 第17-20页 |
| 1.3 研究意义与创新 | 第20-21页 |
| 1.3.1 研究意义 | 第20页 |
| 1.3.2 研究创新 | 第20-21页 |
| 1.4 本文研究内容和组织结构 | 第21-23页 |
| 第二章 数据认识与研究方法 | 第23-34页 |
| 2.1 数据库数据内容 | 第23-28页 |
| 2.1.1 MIMIC-III数据库表归类 | 第23-24页 |
| 2.1.2 MIMIC-III中部分表的介绍 | 第24-27页 |
| 2.1.3 飞利浦eICU协作研究数据库内容 | 第27-28页 |
| 2.2 本文使用的机器学习分类算法介绍 | 第28-32页 |
| 2.2.1 决策树算法与基尼重要性 | 第28-29页 |
| 2.2.2 随机森林算法 | 第29-30页 |
| 2.2.3 SVC算法 | 第30-31页 |
| 2.2.4 多层感知器神经网络 | 第31-32页 |
| 2.3 机器学习算法预测的评估标准 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 样本集的提取与预处理 | 第34-50页 |
| 3.1 在数据库中获取样本、过滤样本特征 | 第34-40页 |
| 3.1.1 肝脏系统功能障碍数据的提取思路 | 第34-35页 |
| 3.1.2 MIMIC-III数据库数据提取 | 第35-38页 |
| 3.1.3 飞利浦eICU协作研究数据库数据提取 | 第38-39页 |
| 3.1.4 提取的四类数据的对比与优缺点分析 | 第39-40页 |
| 3.1.5 样本特征的初步筛选 | 第40页 |
| 3.2 样本数据的标准化分析 | 第40-43页 |
| 3.3 四种缺失值处理方法的对比分析 | 第43-47页 |
| 3.3.1 使用MIMIC-III样本集进行分析 | 第43-44页 |
| 3.3.2 使用eICU样本集进行分析 | 第44-45页 |
| 3.3.3 结合样本本身特点的分析 | 第45-47页 |
| 3.4 基于主成分分析的样本集特征分析 | 第47-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第四章 基于机器学习的样本集预测 | 第50-73页 |
| 4.1 使用样本集对样本肝脏系统功能障碍进行预测 | 第50-56页 |
| 4.1.1 MIMIC-III样本集预测肝脏系统功能障碍 | 第50-53页 |
| 4.1.2 eICU样本集预测肝脏系统功能障碍 | 第53-54页 |
| 4.1.3 关于两个样本集模型预测正确率差异的分析 | 第54-56页 |
| 4.2 使用样本集对样本进行死亡率预测 | 第56-60页 |
| 4.2.1 基于MIMIC样本集进行死亡率预测 | 第56-58页 |
| 4.2.2 基于eICU样本集进行死亡率预测 | 第58-60页 |
| 4.3 基于肝脏系统功能障碍样本的死亡率预测 | 第60-66页 |
| 4.4 死亡率预测的对比与基尼重要性分析 | 第66-69页 |
| 4.4.1 与现有基于Apache-IV评分系统预测的对比 | 第66-67页 |
| 4.4.2 关于样本特征在死亡率预测中的基尼重要性分析 | 第67-69页 |
| 4.5 研究结果与分析 | 第69-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 5.1 总结 | 第73-74页 |
| 5.2 展望 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-79页 |
| 附录 | 第79-83页 |
