一、选题背景和意义：
随着医疗水平的提升和医疗数据供应的急速增长，医疗预测系统变得越来越复杂和准确，在重症监护室中的应用尤其突出。重症监护室是危重术后患者和重症病人的聚集地，当前临床使用的ICU医疗预测系统通常是使用病人各项生理数据和大规模人口统计的方法，当前这些已有典型应用的系统主要是用于医疗风险的调整，对于具体患者病情发展情况和死亡几率的预测实际应用较少。随着近10年来数据收集处理的技术快速发展和神经网络研究应用的热潮，以及人们对于医疗数据的应用逐渐关注，利用大型的数据集对于部分患者进行病情预测、死亡率预测的需求越来越多。同时近几年，随着图神经网络研究的兴起，诸如化合物分类、图像实体分类、网页类型分类等应用逐渐开始了图神经网络技术的尝试，已经有不少已经取得了实际可行的应用方案。而目前的许多对于ICU重症病人或危重术后患者的研究，实验结果较好的神经网络算法较少，很多还是基于传统的机器学习方法建立的预测模型，而基于图神经网络的关于ICU早期死亡预测方面的应用则更为稀少。
在重症监护室中，患者会出现各种健康状况，所需急救的分类很大程度上依赖于临床的判断，ICU工作人员需要对患者进行多项生理数据的测试记录，诸如各项生命体征、血液检查，用以确定若没有积极治疗，患者是否会面临死亡风险。因此，借助于传统机器学习方法或神经网络应用建立的ICU早期死亡预测模型能为ICU中患者的病情发展情况预测带来较大的应用价值，通过建立病患各项生命体征数据的合理关系，在大型的MIMIC重症监护室开放数据集上进行模型的研究测试的应用逐渐增多，本课题尝试基于图神经网络来构建病人不同生理数据之间的联系，在MIMIC开放数据集上对于ICU早期死亡进行预测。
二、课题关键问题及难点：
1.医疗数据的多样性和复杂性要求对医学领域知识有一定的理解，需要理解MIMIC数据集中不同表格数据项的含义，同时需要清楚表格与表格之间的关系以及如何处理大量的医疗数据。
2.模型设计的难点之一在于如何将MIMIC数据集中不同表格所包含的医疗数据构建成图，如何在理解基础数据项(生理特征占多数)的医学含义的基础之上建立不同特征之间的联系。
3.经过初步调研，在MIMIC数据集上进行的ICU死亡预测相关的算法研究与实验多数为传统的机器学习方法和CNN、RNN等的神经网络架构，有关ICU早期死亡预测的图神经网络的应用较少，没有标准的研究模型和准确率较高的相关实验。
4.需要学习tensorflow2.1相关使用方法，理解如何基于Keras架构构建循环神经网络，配置相关python环境，熟悉已有的图神经网络开源代码，学习如何自行构建网络结构、设置超参数、生成权重矩阵等，编写训练函数并在后期优化已有模型，合理调整模型设计及参数，防止出现欠拟合、过拟合等现象。
5.后期若能够初步获得较好的模型生成结果，则与现有的MIMIC数据集上有关死亡预测的工作进行对比，若模型实验结果不好则尽可能思考问题、不足之处，如果时间充足还需要进一步考虑模型改进的空间和模型的可解释性问题，通过合理的比较分析得出结论，最后总结。
文献综述（或调研报告）：
以上是毕业论文开题文献，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
