研究职员写道，之以是选择1年去世亡率作为预测窗口，是由于它将许可与其它研究进行比较，而且它将考虑在两年内，多次接管与急性髓系白血病干系的ICU治疗的患者。

对风险评估，须要手动打算，而基于机器学习的预测去世亡率等疾病的结果可以用来节省韶光和提高预测精度，他们写的一篇论文中(在ICU患者急性心肌窒息和心肌梗去世后综合征，构建打算模型来预测一年去世亡率)。
本研究建立并评价各种机器学习模型，预测急性心肌梗去世或心肌梗去世后综合征患者一年的去世亡率。

为了网络数据集，论文的作者们从麻省理工学院打算生理学实验室掩护的免费重症照顾护士数据库仿照-iii(仿照-iii)中获取数据。
仿照-iii包含来自4万名患者的5.8万例住院病例。
他们通过选择已被证明是去世亡率预测成分的特色(如肾功能和肝功能、入院、人口统计学、治疗、评估长期和短期总体康健的实验室值以及各种心脏标志物)，将研究工具的数量减少到5037名 。

人工智能

末了，研究小组决定根据这些确诊为急性心肌窒息或经前综合症(PMS)的患者的数据进行剖析，经前综合症与心悸有关，而非个体。
这是由于在某些情形下，病人在一次住院中存活了一年，但在另一次住院中却没有存活一年。

研究职员对这些记录进行预处理，以删除重复记录、对相同的输入、数据输入缺点和非常值进行多次处理。
在一台搭载2.2GHz Intel Core i7处理器的PC上，利用谷歌开源TensorFlow框架，团队对其属性选择分类器、回归分类等十余种分类算法进行了演习。

在测试中，两种人工智能模型，逻辑模型树(LMT)和大略的逻辑算法表现得比其它模型更好，在从数据集(1629人)中识别30%入院一年内去世亡的患者方面，准确率达到85.12%。
(第三种算法J48紧随其后，准确率为84.88%。
)有趣的是，深层神经网络模型在识别一年内去世亡病人的能力上，优于所有机器学习算法，该模型具有多层数学功能，可以仿照人脑中的行为神经元。

研究职员写道，这反响了数据科学中的一个共识，即没有一种普遍适用的算法一贯优于所有其它算法。
有许多成分可以影响心肌梗去世后的去世亡率。
找出利用这些成分信息的方法将有助于准确预测可能的结果。

这篇论文的作者指出，数据集是这项研究一个限定成分，实验室和图表值缺失落等数据缺口，也是一个限定成分。
但他们认为，结果表明，精确诊断和治疗急性心肌窒息对1年去世亡率有明显影响。
他们写道，从这个数据集可以看出，并没有特定的成分供应了所需的可预测性信息，同时能包含所有干系标准，可以改进预测。
利用机器学习得到更好的可预测性，可以帮助高危患者努力遵守治疗操持，以提高去世亡率风险。