CN113100719A - 一种基于机器学习的肾透析患者心血管事件预测*** - Google Patents
一种基于机器学习的肾透析患者心血管事件预测*** Download PDFInfo
- Publication number
- CN113100719A CN113100719A CN202110379357.5A CN202110379357A CN113100719A CN 113100719 A CN113100719 A CN 113100719A CN 202110379357 A CN202110379357 A CN 202110379357A CN 113100719 A CN113100719 A CN 113100719A
- Authority
- CN
- China
- Prior art keywords
- risk
- medicines
- cardiovascular event
- medicine
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供一种基于机器学习的肾透析患者心血管事件预测***,包括:信息录入模块,录入患者的基本信息、合并症、生理指标、出院后口服药物的药物种类、用药剂量;特征筛选模块,根据出院后口服药物的药物种类、用药剂量进行特征筛选,得到特异性药物种类及该种类药物用药剂量;风险预测模块,根据基本信息、合并症、生理指标、特异性药物种类及该种类药物用药剂量,使用心血管事件风险预测模型对患者发生心血管事件的风险进行预测。本发明结合出院后口服药物情况,对进行肾透析治疗的患者发生心血管事件风险进行预测,预测结果更加准确。
Description
技术领域
本发明涉及人工智能医疗技术领域,具体涉及一种基于机器学习的肾透析患者心血管事件预测***。
背景技术
肾透析治疗技术目前已经被大量应用于各种终末期的肾病治疗(比如***)。在肾透析治疗的过程中,包括患者在住院治疗和居家期间,患者可能会发生比如脑卒中、心脏骤停等心血管事件,是导致患者死亡的主要原因。
在实际的肾透析治疗过程中,当医生发现患者有发生心血管事件的可能性时,可以及时调整治疗方案,比如用药的类型和剂量。当时,医生往往只能通过向患者进行口头询问,凭借经验初步判定患者发生心血管事件的可能性,预测患者发生心血管事件的风险并不准确。
目前,对于心血管事件预测,在其它疾病的治疗领域有一些心血管事件预测模型,但这些预测模型仅仅是考虑了患者的基本信息以及治疗过程中的生理指标参数,而没有考虑到治疗后,患者长时间口服药物,会对出现心血管事件产生较大影响,而肾透析治疗后,患者需要长时间口服多种药物。联合用药种类过多、用药时间过长,可能会提高患者发生心血管事件的风险,目前其它疾病治疗领域的心血管事件预测模型并不适用于肾透析治疗,缺少了对患者长时间口服多种药物的分析,预测结果并不准确。
发明内容
针对现有技术存在的不足,本发明提出一种基于机器学习的肾透析患者心血管事件预测***,可以对进行肾透析治疗的患者发生心血管事件风险进行预测。
本发明采用的技术方案是,一种基于机器学习的肾透析患者心血管事件预测***,包括:
信息录入模块,录入患者的基本信息、合并症、生理指标、出院后口服药物的药物种类、用药剂量;
特征筛选模块,根据出院后口服药物的药物种类、用药剂量进行特征筛选,得到特异性药物种类及该种类药物用药剂量;
风险预测模块,根据基本信息、合并症、生理指标、特异性药物种类及该种类药物用药剂量,使用心血管事件风险预测模型对患者发生心血管事件的风险进行预测。
在一种可实现方式中,特异性药物种类及该种类药物用药剂量具体按以下方式得到:
根据多个患者的临床历史数据,将在出院后居家期间的出现了心血管事件的患者定义为高风险人群,未出现心血管事件的患者定义为低风险人群;
将出院后口服药物的药物种类、用药剂量作为特征输入,结合临床历史数据中高风险人群、低风险人群,分别得到高风险人群特征矩阵、低风险人群特征矩阵;
根据高风险人群特征矩阵、低风险人群特征矩阵进行差分运算和去均值化,按照大小对特征进行排序,按排序保留特征,得到特异性药物种类及该种类药物用药剂量。
在一种可实现方式中,心血管事件风险预测模型使用机器学习按以下方式构建:
S1、采用迭代信息增益算法构建样本集;
S2、结合样本集,将结构风险最小化,通过拉格朗日乘数法获取分类决策函数;
S3、通过交叉验证得到分类决策函数的训练参数;
S4、使用训练参数训练样本集,得到心血管事件风险预测模型。
在一种可实现方式中,样本集按以下方式构建:
采用迭代信息增益算法来进行样本选择,并使用受试者工作特征曲线下的面积作为优化标准;
在每次迭代中,将每个样本添加到样本集中,当某一个样本受试者工作特征曲线下的面积分数达到阈值时作为被选中的样本;
使用所有被选中的样本构建样本集。
在一种可实现方式中,阈值为AUC=[0.7,0.85]。
在一种可实现方式中,通过交叉验证得到分类决策函数的训练参数具体如下:
将样本集中的数据随机选择部分数据作为训练集,剩余数据作为测试集;
通过对测试集训练得到假设函数,在测试集中对每一个样本根据假设函数,得到训练集的类标,求出分类正确率;
以分类正确率最高时对应的参数作为训练参数。
在一种可实施方式中,训练参数如下:
degree为3,gamma为0.1,cost为0.045。
在一种可实现方式中,使用心血管事件风险预测模型对患者发生心血管事件的风险进行预测时,使用支持向量机的特征空间中样本与决策边界的空间距离来计算风险的百分比数值。
在一种可实现方式中,基本信息包括年龄、性别、透析月数、入院时心率、入院时容量负荷、吸烟史、体质指数、血管钙化;
合并症包括高血压、高脂血症、慢性房颤、阻塞性肺病、糖尿病;。
生理指标包括入院时的血清血红蛋白、血清白蛋白、C反应蛋白、血清、血清钙、血清磷、脑钠肽;出院时的血清血红蛋白、血清白蛋白、C反应蛋白、血清、血清钙、血清磷、脑钠肽;
出院后口服药物的药物种类包括ACE抑制剂、抗过敏药物、消炎药、抗血小板药物、抗甲状腺药物、Beta受体阻滞剂、支气管扩张药、强心剂、洋地黄、利尿剂、降脂药、质子泵抑制剂、镇静催眠药物、维生素。
由上述技术方案可知,本发明的有益技术效果如下:
使用基于机器学习的肾透析患者心血管事件预测***,结合出院后口服药物情况对进行肾透析治疗的患者发生心血管事件风险进行预测,预测结果更加准确。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例的基于机器学习的肾透析患者心血管事件预测***的***框图;
图2为本发明实施例的特异性药物种类及该种类药物用药剂量获取方法流程示意图;
图3为本发明实施例的心血管事件预测模型建模流程示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
实施例
本实施例中的基于机器学习的肾透析患者心血管事件预测***,以下简称预测***,肾透析患者简称患者。
如图1所示,预测***包括信息录入模块、特征筛选模块、风险预测模块。
(1)信息录入模块
信息录入模块对患者信息进行录入,在具体的实施方式中,患者信息包括基本信息、合并症、生理指标、出院后口服药物,上述4大类信息均会对肾透析患者出现心血管事件产生影响。
基本信息包括:年龄、性别、透析月数、入院时心率、入院时容量负荷、吸烟史、体质指数、血管钙化,共8个数据。
合并症包括:高血压、高脂血症、慢性房颤、阻塞性肺病、糖尿病,共5个数据。
生理指标包括:入院时的血清血红蛋白、血清白蛋白、C反应蛋白(CRP)、血清、血清钙、血清磷、脑钠肽(BNP);出院时的血清血红蛋白、血清白蛋白、C反应蛋白(CRP)、血清、血清钙、血清磷、脑钠肽(BNP),共14个数据。
出院后口服药物包括:ACE抑制剂、抗过敏药物、消炎药、抗血小板药物、抗甲状腺药物、Beta受体阻滞剂、支气管扩张药、强心剂、洋地黄、利尿剂、降脂药、质子泵抑制剂、镇静催眠药物、维生素,共14个数据;数据中还包括这些药物的用药剂量。对于不同的患者,出院后口服药物的药物种类、用药剂量各不相同。
(2)特征筛选模块
在入院期间以及出院时,患者并未发生心血管事件。当出院后居家期间,如果患者服用一段时间的出院后口服药物再出现了心血管事件,可以考虑心血管事件主要由出院后口服药物引起。但是这些出院后口服药物有多种,到底是哪一种或几种药物会引起心血管事件,需要对出院后口服药物进行特征筛选,得到出院后口服药物的特异性药物种类及该种类药物用药剂量。
在具体的实施方式中,如图2所示,进行出院后口服药物的特征筛选,首先根据多个患者的临床历史数据,将在出院后居家期间的出现了心血管事件的患者定义为高风险人群,未出现心血管事件的患者定义为低风险人群。
将出院后口服药物的药物种类、用药剂量作为特征输入,结合临床历史数据中高风险人群、低风险人群,分别得到高风险人群的特征矩阵X1、低风险人群特征矩阵Y2;具体如下:
在上式中每一个x、y,分别代表出院后口服药物的某一种药物种类以及用药剂量。
根据矩阵X1、Y2求平均后做差运算,再去均值。然后根据去均值后的矩阵内每一个x、y的大小进行排序,保留排序靠前的特征,优选排序为前50%的特征,得到特异性药物种类及该种类药物用药剂量。
(3)风险预测模块
风险预测模块中有心血管事件风险预测模型,对患者发生心血管事件的风险进行预测。心血管事件风险预测模型通过机器学习的获得,在具体的实施方式中,因患者的样本数据有限,机器学习选用支持向量机。支持向量机是一种有监督的机器学习方法,可以在小样本训练集上能够得到比其它算法更好的结果,具有优秀的泛化能力。
如图3所示,心血管事件风险预测模型采用以下方式构建:
S1、采用迭代信息增益算法构建样本集
构建机器学习的样本集,在具体的实施方式中,样本集中包括基本信息、合并症、生理指标、特异性药物种类及该种类药物用药剂量。基本信息、合并症、生理指标是患者的临床历史数据,特异性药物种类及该种类药物用药剂量是根据出院后口服药物,使用特征筛选模块筛选得出的。
为了减少数据冗余和有效样本的数量,在具体的实施方式中,采用迭代信息增益算法来进行样本选择,并使用AUC(ROC受试者工作特征曲线下的面积)作为优化标准。在每次迭代中,将每个样本添加到样本集中,当某一个样本AUC分数达到阈值时作为被选中的样本。所有被选中的样本定义为样本集。在具体的实施方式中,阈值选择为AUC=[0.7,0.85]。
S2、结合样本集,将结构风险最小化,通过拉格朗日乘数法获取分类决策函数
在具体的实施方式中,分类决策函数按以下方式获取:
设样本集为(xi,yi),其中xi∈Rd,yi∈R,i=1,2,…,n,n为特征个数。采用支持向量机进行线性分类时,首先将分类函数定义为:
f(x)=sgn(w·φ(x)+b) (1)
在上式(1)中,w表示权值向量,b分别表示偏移量。根据结构风险最小化原理,上式(1)可转化为下式(2):
使用拉格朗日乘数法,引入拉格朗日乘子将上式(2)变为凸二次优化的形式,如下式(3):
为了加快求解速度,将上式(3)转为对偶形式,如下式(4):
根据上式(4),引入函数K(xi,x)代替向量内积(φ(xi),φ(x)),得到支持向量机的分类决策函数为下式(5)
S3、通过交叉验证得到分类决策函数的训练参数
交叉验证的目标是测试风险预测模型对新输入数据(样本集以外的新数据)的风险预测能力。在具体的实施方式中,将样本集中的数据随机选择部分数据作为训练集,剩余数据作为测试集,训练集和测试集的数据数量比例,优选为7:3。通过对测试集训练得到假设函数,在测试集中对每一个样本根据假设函数,得到训练集的类标,求出分类正确率。以分类正确率最高时对应的参数作为训练参数。
在具体的实施方式中,训练参数如下:
degree为3,gamma为0.1;考虑到使模型的预测正确率到达90%以上,损失函数cost设为0.045。
S4、使用训练参数训练样本集,得到心血管事件风险预测模型
根据上一步骤S3得到的训练参数,对步骤S1构建的样本集进行训练,得到支持向量机分类器,该分类器即为心血管事件风险预测模型。在具体实施方式中,心血管事件风险预测模型将患者发生心血管事件的风险分为“高”、“中”、“低”3档,风险以百分比的形式体现,百分比的数值以距离决策边界的空间距离来生成。百分比的数值以1%-10%(含)为“低”,10%(不含)-30%(含)为“中”,大于30%为高。
具体的,每一个患者的样本数据,在支持向量机的特征空间中都有一空间特定位置,该位置为一个点,该点距离决策边界有一空间距离。在低风险区域,点与决策边界的空间距离近时风险的百分比数值高,点与决策边界的空间距离远时风险的百分比数值低;在高风险区域,点与决策边界的空间距离近时风险的百分比数值低,点与决策边界的空间距离远时风险的百分比数值高;根据空间距离的值可以计算出百分比的数值。
以下对预测***的工作流程进行简要说明:
将新患者的基本信息、合并症、生理指标、出院后口服药物通过信息录入模块输入到预测***中。预测***首先使用特征筛选模块,根据出院后口服药物筛选出特异性药物种类及该种类药物用药剂量;然后将特异性药物种类及该种类药物用药剂量、基本信息、合并症、生理指标输入到风险预测模块中;风险预测模块使用心血管事件风险预测模型,对患者进行分类,得到患者发生心血管事件的风险。当预测结果为“中”、“高”风险时,医生可以调整开具给患者的出院后口服药物的药物种类、用药剂量,改变联合用药的方案,降低患者后续发生心血管事件的风险。
使用本实施例的技术方案,使用基于机器学习的肾透析患者心血管事件预测***,结合出院后口服药物情况对进行肾透析治疗的患者发生心血管事件风险进行预测,预测结果更加准确。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (9)
1.一种基于机器学习的肾透析患者心血管事件预测***,其特征在于,包括:
信息录入模块,录入患者的基本信息、合并症、生理指标、出院后口服药物的药物种类、用药剂量;
特征筛选模块,根据出院后口服药物的药物种类、用药剂量进行特征筛选,得到特异性药物种类及该种类药物用药剂量;
风险预测模块,根据基本信息、合并症、生理指标、特异性药物种类及该种类药物用药剂量,使用心血管事件风险预测模型对患者发生心血管事件的风险进行预测。
2.根据权利要求1所述的基于机器学习的肾透析患者心血管事件预测***,其特征在于,所述特异性药物种类及该种类药物用药剂量具体按以下方式得到:
根据多个患者的临床历史数据,将在出院后居家期间的出现了心血管事件的患者定义为高风险人群,未出现心血管事件的患者定义为低风险人群;
将出院后口服药物的药物种类、用药剂量作为特征输入,结合临床历史数据中高风险人群、低风险人群,分别得到高风险人群特征矩阵、低风险人群特征矩阵;
根据高风险人群特征矩阵、低风险人群特征矩阵进行差分运算和去均值化,按照大小对特征进行排序,按排序保留特征,得到特异性药物种类及该种类药物用药剂量。
3.根据权利要求1所述的基于机器学习的肾透析患者心血管事件预测***,其特征在于,所述心血管事件风险预测模型使用机器学习按以下方式构建:
S1、采用迭代信息增益算法构建样本集;
S2、结合样本集,将结构风险最小化,通过拉格朗日乘数法获取分类决策函数;
S3、通过交叉验证得到分类决策函数的训练参数;
S4、使用训练参数训练样本集,得到心血管事件风险预测模型。
4.根据权利要求3所述的基于机器学习的肾透析患者心血管事件预测***,其特征在于,所述样本集按以下方式构建:
采用迭代信息增益算法来进行样本选择,并使用受试者工作特征曲线下的面积作为优化标准;
在每次迭代中,将每个样本添加到样本集中,当某一个样本受试者工作特征曲线下的面积分数达到阈值时作为被选中的样本;
使用所有被选中的样本构建样本集。
5.根据权利要求4所述的基于机器学习的肾透析患者心血管事件预测***,其特征在于:所述阈值为AUC=[0.7,0.85]。
6.根据权利要求3所述的基于机器学习的肾透析患者心血管事件预测***,其特征在于,通过交叉验证得到分类决策函数的训练参数具体如下:
将样本集中的数据随机选择部分数据作为训练集,剩余数据作为测试集;
通过对测试集训练得到假设函数,在测试集中对每一个样本根据假设函数,得到训练集的类标,求出分类正确率;
以分类正确率最高时对应的参数作为训练参数。
7.根据权利要求6所述的基于机器学习的肾透析患者心血管事件预测***,其特征在于,所述训练参数具体如下:
degree为3,gamma为0.1,cost为0.045。
8.根据权利要求1所述的基于机器学习的肾透析患者心血管事件预测***,其特征在于:使用心血管事件风险预测模型对患者发生心血管事件的风险进行预测时,使用支持向量机的特征空间中样本与决策边界的空间距离来计算风险的百分比数值。
9.根据权利要求1所述的基于机器学习的肾透析患者心血管事件预测***,其特征在于:
所述基本信息包括年龄、性别、透析月数、入院时心率、入院时容量负荷、吸烟史、体质指数、血管钙化;
所述合并症包括高血压、高脂血症、慢性房颤、阻塞性肺病、糖尿病;。
所述生理指标包括入院时的血清血红蛋白、血清白蛋白、C反应蛋白、血清、血清钙、血清磷、脑钠肽;出院时的血清血红蛋白、血清白蛋白、C反应蛋白、血清、血清钙、血清磷、脑钠肽;
所述出院后口服药物的药物种类包括ACE抑制剂、抗过敏药物、消炎药、抗血小板药物、抗甲状腺药物、Beta受体阻滞剂、支气管扩张药、强心剂、洋地黄、利尿剂、降脂药、质子泵抑制剂、镇静催眠药物、维生素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110379357.5A CN113100719A (zh) | 2021-04-08 | 2021-04-08 | 一种基于机器学习的肾透析患者心血管事件预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110379357.5A CN113100719A (zh) | 2021-04-08 | 2021-04-08 | 一种基于机器学习的肾透析患者心血管事件预测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113100719A true CN113100719A (zh) | 2021-07-13 |
Family
ID=76715103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110379357.5A Pending CN113100719A (zh) | 2021-04-08 | 2021-04-08 | 一种基于机器学习的肾透析患者心血管事件预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113100719A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113571155A (zh) * | 2021-08-06 | 2021-10-29 | 刘韬滔 | 一种预测高流量吸氧效果的模型和方法 |
CN117352178A (zh) * | 2023-11-10 | 2024-01-05 | 西安艾派信息技术有限公司 | 一种基于大数据的药物风险评估***和方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1819855A (zh) * | 2003-05-13 | 2006-08-16 | 萨瓦柯公司 | 检测、诊断和治疗心血管疾病的***和方法 |
US20120041322A1 (en) * | 2010-08-12 | 2012-02-16 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
CN105512477A (zh) * | 2015-12-03 | 2016-04-20 | 万达信息股份有限公司 | 基于降维组合分类算法非计划性再入院风险评估预测模型 |
CN107145755A (zh) * | 2017-05-16 | 2017-09-08 | 陈韵岱 | 基于智能决策支持技术的心血管慢病管理方法 |
CN110347837A (zh) * | 2019-07-17 | 2019-10-18 | 电子科技大学 | 一种心血管疾病非计划再住院风险预测方法 |
CN111712186A (zh) * | 2017-12-20 | 2020-09-25 | 医鲸股份有限公司 | 用于辅助心血管疾病的诊断的方法和装置 |
-
2021
- 2021-04-08 CN CN202110379357.5A patent/CN113100719A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1819855A (zh) * | 2003-05-13 | 2006-08-16 | 萨瓦柯公司 | 检测、诊断和治疗心血管疾病的***和方法 |
US20120041322A1 (en) * | 2010-08-12 | 2012-02-16 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
CN105512477A (zh) * | 2015-12-03 | 2016-04-20 | 万达信息股份有限公司 | 基于降维组合分类算法非计划性再入院风险评估预测模型 |
CN107145755A (zh) * | 2017-05-16 | 2017-09-08 | 陈韵岱 | 基于智能决策支持技术的心血管慢病管理方法 |
CN111712186A (zh) * | 2017-12-20 | 2020-09-25 | 医鲸股份有限公司 | 用于辅助心血管疾病的诊断的方法和装置 |
CN110347837A (zh) * | 2019-07-17 | 2019-10-18 | 电子科技大学 | 一种心血管疾病非计划再住院风险预测方法 |
Non-Patent Citations (1)
Title |
---|
张路霞,等: "《健康医疗大数据的管理与应用》", 30 April 2020 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113571155A (zh) * | 2021-08-06 | 2021-10-29 | 刘韬滔 | 一种预测高流量吸氧效果的模型和方法 |
CN117352178A (zh) * | 2023-11-10 | 2024-01-05 | 西安艾派信息技术有限公司 | 一种基于大数据的药物风险评估***和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdar et al. | A new machine learning technique for an accurate diagnosis of coronary artery disease | |
Kuo et al. | Comparison of models for the prediction of medical costs of spinal fusion in Taiwan diagnosis-related groups by machine learning algorithms | |
Ma et al. | Length of stay prediction for ICU patients using individualized single classification algorithm | |
Detmer et al. | Comparison of statistical learning approaches for cerebral aneurysm rupture assessment | |
CN113100719A (zh) | 一种基于机器学习的肾透析患者心血管事件预测*** | |
CN111653359A (zh) | 一种出血性疾病的智能预测模型构建方法和预测*** | |
CN111612278A (zh) | 生命状态预测方法、装置、电子设备及存储介质 | |
de Carvalho et al. | Machine learning improves the identification of individuals with higher morbidity and avoidable health costs after acute coronary syndromes | |
CN105718726A (zh) | 基于粗糙集的医疗辅助检查***知识获取和推理方法 | |
Chinnasamy et al. | Machine learning based cardiovascular disease prediction | |
Suryani et al. | The cost-based feature selection model for coronary heart disease diagnosis system using deep neural network | |
Yogish | Prediction of Chronic kidney disease using machine learning technique | |
Haq et al. | A Comparative Analysis of Machine Learning Algorithms for the Early Prediction of Cardiovascular Disease | |
CN116525116B (zh) | 一种心源性休克实时风险预警监测***、设备及可存储介质 | |
Alhmiedat et al. | The Investigation of Employing Supervised Machine Learning Models to Predict Type 2 Diabetes Among Adults. | |
Murthy | An efficient diabetes prediction system for better diagnosis | |
CN113782197B (zh) | 基于可解释性机器学习算法的新冠肺炎患者转归预测方法 | |
Aboalnaser et al. | Comprehensive study of diabetes miletus prediction using different classification algorithms | |
Golovco et al. | Acute kidney injury prediction with gradient boosting decision trees enriched with temporal features | |
Bang et al. | Naïve bayes ensemble: A new approach to classifying unlabeled multi-class asthma subjects | |
Anusha | A Machine Learning Approach for Prediction of Diabetes Mellitus | |
Ajay et al. | An Aquila-optimized SVM classifier for Diabetes prediction | |
Shekhar | Prediction Of The Sickle Cell Anaemia Disease Using Machine Learning Techniques | |
CN110473627A (zh) | 一种基于代价敏感的自适应神经模糊推理糖尿病预测算法 | |
CN117079821B (zh) | 一种患者住院事件预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210713 |
|
RJ01 | Rejection of invention patent application after publication |