重症监护病人预后预测系统

项目简介

这是一个基于机器学习的重症监护病人预后预测系统，可以帮助医生评估病人的死亡风险。系统采用了堆叠集成学习方法，结合了随机森林和LightGBM模型，并支持增量学习功能。 使用的数据集来源于Kaggle开源数据集:https://www.kaggle.com/datasets/mitishaagarwal/patient

(AI02 - 212 Group project , 项目归属于0413学号组长)

1.对于高风险病人(实际死亡的病人)，模型给出了很高的死亡概率(92.81%和95.59%)
2.对于低风险病人(实际存活的病人)，模型给出了很低的死亡概率(6.24%和2.79%)
3.对于随机病人，模型也给出了合理的预测(2.75%和6.14%)

• 

主要功能

1. 病人信息管理

   • 病人信息的增删改查
   • 支持多条件组合搜索
   • 列表排序和导出功能
   • 详细信息查看和编辑

2. 死亡风险预测

   • 基于多个临床指标的死亡风险预测
   • 实时预测结果展示
   • 预测结果可解释性展示

3. 增量学习功能

   • 支持模型在线更新
   • 可自定义训练样本数量
   • 训练过程实时监控
   • 训练历史记录查看

技术栈

• 前端界面：Python Tkinter
• 数据处理：Pandas, NumPy
• 机器学习：
  • Scikit-learn (随机森林、KNN填充、标准化)
  • LightGBM (梯度提升树)
  • 堆叠集成学习
• 数据存储：CSV文件系统
• 版本控制：Git

系统架构

(部分模型文件较大,需要手动点击下载,直接下载zip会丢失模型数据) (Warning:The model part is saved by LFS, should be download manually)

src/
├── backend/
│   ├── data/           # 数据文件
│   ├── model/          # 模型文件
│   ├── EventMonitor.py # 主界面
│   ├── SinglePatient.py # 病人信息处理
│   ├── DatabaseManager.py # 数据管理
│   ├── PatientDetailWindow.py # 详情窗口
│   ├── IncrementalLearning.py # 增量学习
│   └── 0TrainingCode.py # 模型训练
└── test/
    ├── test_prediction.py # 预测测试(自动化脚本)
    └── test_patient_update.py # 更新测试

模型性能

• AUC Score: 0.9949

• 准确率: 94.23%

• 支持实时增量更新

• 

• 

安装说明

1. 克隆项目

git clone https://github.com/EscoffierZhou/Patient_Death_Prediction.git
cd Patient_Death_Prediction

2. 安装依赖

pip install -r requirements.txt

3. 运行系统

python src/backend/EventMonitor.py

使用说明

1. 病人管理

   • 点击"新建病人"添加病人信息
   • 使用搜索框进行病人检索
   • 双击病人记录查看详细信息
   • 在详情页面可以修改信息或预测死亡风险

2. 死亡风险预测

   • 在病人详情页面点击"预测死亡率"
   • 系统会实时计算并显示预测结果

3. 增量学习

   • 在主界面底部设置训练样本数量
   • 点击"开始训练"进行模型更新
   • 通过"查看训练历史"了解模型性能变化

注意事项

1. 首次运行需要完整的训练数据集
2. 增量学习建议每次使用适量数据（如50-100条）
3. 定期备份数据文件
4. 监控模型性能变化

开发团队

• 开发者：Escoffier Zhou
• 联系方式：a3416270780@gmail.com

许可证

本项目采用 MIT 许可证。详见 LICENSE 文件。

版权声明

Copyright (c) 2023 Escoffier Zhou. All rights reserved.

本项目受 MIT 许可证保护。在遵守许可证条款的前提下，您可以自由使用、修改和分发本软件。

更新日志

v1.0.0 (2023-12-13)

• 完成基础功能开发
• 实现增量学习功能
• 添加训练历史记录
• 优化用户界面