CN117809811A - 一种基于人工智能的减重手术术后管理方法及*** - Google Patents
一种基于人工智能的减重手术术后管理方法及*** Download PDFInfo
- Publication number
- CN117809811A CN117809811A CN202410217422.8A CN202410217422A CN117809811A CN 117809811 A CN117809811 A CN 117809811A CN 202410217422 A CN202410217422 A CN 202410217422A CN 117809811 A CN117809811 A CN 117809811A
- Authority
- CN
- China
- Prior art keywords
- weight
- patient
- readmission
- model
- post
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 85
- 230000002980 postoperative effect Effects 0.000 title claims abstract description 52
- 208000016261 weight loss Diseases 0.000 title claims abstract description 41
- 239000013585 weight reducing agent Substances 0.000 title claims abstract description 30
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 230000036541 health Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 66
- 230000006870 function Effects 0.000 claims description 63
- 230000004913 activation Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 18
- 230000004580 weight loss Effects 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 230000037213 diet Effects 0.000 claims description 6
- 235000005911 diet Nutrition 0.000 claims description 6
- 239000003814 drug Substances 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000037396 body weight Effects 0.000 claims description 4
- 229940079593 drug Drugs 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012552 review Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的减重手术术后管理方法及***，方法包括患者数据采集、数据预处理、患者体重预测、术后再入院预测和术后管理策略生成。本发明属于医疗健康管理技术领域，具体是指一种基于人工智能的减重手术术后管理方法及***，本方案采用埃尔曼循环神经网络进行患者体重预测，增加了模型对动态信息的处理能力，并提高了神经网络模型的适应性和泛化能力，在提升准确率的同时也提升了训练效率，增强了方法整体的可用性；采用结合极限梯度提升模型的博鲁塔算法进行特征选择，并进一步进行术后再入院预测，降低了传统极限梯度提升模型的随机性，具有高精度、高鲁棒性和低随机性的特点，提升了减重手术术后管理***的实用性。
Description
技术领域
本发明属于医疗健康管理技术领域，具体是指一种基于人工智能的减重手术术后管理方法及***。
背景技术
减重手术术后管理旨在利用人工智能技术提前发现患者术减重手术术后的潜在健康风险，帮助医护人员高效制定管理策略，及时采取干预措施，从而降低再入院率，提高患者术后的康复效果，同时满足患者个性化管理的需求，有助于人们实现有效减重，并改善肥胖相关的健康问题。但在现有的减重手术术后管理过程中，存在着减重手术术后管理所需要的患者体重预测，对于模型性能的要求较高，且需要准确、适应性高且泛化能力强的神经网络的技术问题；存在着已有的再入院预测模型的鲁棒性低，导致实际预测结果不可靠，进而影响了减重手术术后管理***的实用性的技术问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于人工智能的减重手术术后管理方法及***，针对在现有的减重手术术后管理过程中，存在着减重手术术后管理所需要的患者体重预测，对于模型性能的要求较高，且需要准确、适应性高且泛化能力强的神经网络的技术问题，本方案创造性地采用埃尔曼循环神经网络进行患者体重预测，通过在隐藏层后增设上下文层，增加了模型对动态信息的处理能力，并进一步提高了神经网络模型的适应性和泛化能力，在提升了准确率的同时也提升了训练效率，增强了方法整体的可用性；针对在现有的减重手术术后管理过程中，存在着已有的再入院预测模型的鲁棒性低，且实际预测结果不可靠，进而影响了减重手术术后管理***的实用性的技术问题；本方案创造性地采用结合极限梯度提升模型的博鲁塔算法进行特征选择，并进一步进行术后再入院预测，通过引入阴影特征矩阵和Z分数，降低了传统极限梯度提升模型的随机性，具有高精度、高鲁棒性和低随机性的特点，提升了减重手术术后管理***的实用性，进而有助于医护人员根据患者情况高效地制定管理策略，促进患者术后恢复。
本发明采取的技术方案如下：本发明提供的一种基于人工智能的减重手术术后管理方法，该方法包括以下步骤：
步骤S1：患者数据采集，具体为获取患者临床数据；
步骤S2：数据预处理；
步骤S3：患者体重预测，具体为通过皮尔逊相关系数对临床初始数据进行特征筛选，得到体重预测特征，采用埃尔曼循环神经网络进行患者体重预测模型构建，并通过构建得到的患者体重预测模型进行体重预测，得到患者预测体重；
步骤S4：术后再入院预测；
步骤S5：术后管理策略生成。
进一步地，在步骤S1中，所述患者临床数据包括患者基本信息、就诊记录、病史、手术信息和随访记录，所述患者基本信息包括性别、年龄、体重指数，所述体重指数具体指BMI指数，所述手术信息包括手术类型、手术时长和术后住院时长，所述随访记录记载了术后体重和患者术后3个月内是否再次入院以及再入院的原因，所述术后体重具体指术后3个月后的体重。
进一步地，在步骤S2中，所述数据预处理，具体为对患者临床数据进行异常值清除、去噪、缺失值填补和归一化操作，得到临床初始数据。
进一步地，在步骤S3中，所述患者体重预测，用于预测患者减重手术术后的体重，包括以下步骤：
步骤S31：采用皮尔逊相关系数对临床初始数据进行特征筛选，具体为计算临床初始数据中每个变量与术后体重的皮尔逊相关系数，选择皮尔逊相关系数最高的k个变量，得到体重预测特征；
步骤S32：患者体重预测模型构建，具体为采用埃尔曼循环神经网络构建患者体重预测模型，包括以下步骤：
步骤S321：搭建埃尔曼循环神经网络结构，所述埃尔曼循环神经网络结构包括输入层、隐藏层、上下文层和输出层；
所述输入层接收体重预测特征作为输入特征，并依据体重预测特征的维度，设置输入层节点数量，使输入层节点数量等于体重预测特征的维度，；
所述隐藏层设置Sigmoid激活函数作为隐藏层激活函数；
所述输出层设置线性激活函数作为输出层激活函数；
所述上下文层用于记忆上一时刻的隐藏层输出值，将隐藏层输出值再次反馈到隐藏层；
步骤S322：采用Sigmoid激活函数，计算隐藏层的初始输出，将隐藏层的初始输出作为上下文层的输入，通过上下文层将隐藏层的初始输出反馈到隐藏层，计算得到隐藏层的最终输出，计算公式为：
；
式中，t是时间步索引，hout2(t)是隐藏层的最终输出，所述隐藏层的最终输出用于表示当前时刻的隐藏层输出，是Sigmoid激活函数，Wt是当前时刻的隐藏层权重矩阵，y(t)是当前时刻的输入特征，Wt-1是前一时刻隐藏层的权重矩阵，hlout1(t-1)是隐藏层的初始输出，所述隐藏层的初始输出用于表示前一时刻的隐藏层输出，g1是隐藏层偏置项；
步骤S323：计算输出层的输出，用于计算模型的输出结果，计算公式为：
；
式中，olout(t)是当前时刻的输出层输出，是线性激活函数，W1t是当前时刻的输出层权重矩阵，g2是输出层偏置项；
步骤S324：计算模型的损失函数，通过对损失函数进行反向传播，更新模型参数；
步骤S325：采用带动量的梯度下降算法，通过重复步骤S322及其后续步骤操作N次进行模型训练，得到患者体重预测模型；
步骤S33：采用患者体重预测模型进行体重预测，得到患者预测体重。
进一步地，在步骤S4中，所述术后再入院预测，用于依据患者预测体重和临床初始数据进行术后再入院预测，包括以下步骤：
步骤S41：通过一维卷积神经网络对临床初始数据进行特征提取，得到再入院特征矩阵，所述一维卷积神经网络包含一个一维卷积层、两个最大池化层、一个扁平化层、第一全连接层、第二全连接层和一个正则化层；
步骤S42：通过将极限梯度提升模型与博鲁塔算法相结合，得到结合极限梯度提升模型的博鲁塔算法；
步骤S43：采用结合极限梯度提升模型的博鲁塔算法进行特征选择，包括以下步骤：
步骤S431：构建输入特征矩阵，具体为将再入院特征矩阵进行随机排列，得到影子特征矩阵，将再入院特征矩阵和影子特征矩阵进行拼接，得到输入特征矩阵；
步骤S432：训练极限梯度提升模型，具体为依据梯度提升原理，通过最小化损失函数和目标函数进行模型训练，包括以下步骤：
步骤S4321：计算目标函数，用于确定模型的优化目标，计算公式为：
；
式中，K是决策树索引，是目标函数，j是样本索引，所述样本用于表示输入特征矩阵中的样本，M是样本数量，所述样本数量用于表示输入特征矩阵中的样本数量，是损失函数，xj是第j个样本的实际值，/>是第j个样本的预测值，/>是正则化项，用于控制模型的复杂度，fK是第K个决策树的预测值；
步骤S4322：计算损失函数，用于衡量模型预测值与实际值之间的差异，计算公式为：
；
步骤S4323：采用目标函数的二阶泰勒展开式评估第K个决策树的性能，用于最小化目标函数，计算公式为：
；
式中，是目标函数的二阶泰勒展开式，i是叶子节点索引，Lno是叶子节点数量，FDi是损失函数对于第i个叶子节点的一阶导数，SDi是损失函数对于第i个叶子节点的二阶导数，α是正则化权重，β是模型超参数，用于控制叶子节点数量；
步骤S433：计算叶子节点的增益值，用于评估特征的重要性，计算公式为：
；
式中，leafg是叶子节点的增益值，FDL是左节点的一阶导数，SDL是左节点的二阶导数，FDR是右节点的一阶导数，SDR是右节点的二阶导数；
步骤S434：依据Z分数判断再入院特征矩阵中每个特征的重要性，如果再入院特征的Z分数低于影子特征的最大Z分数，则将该再入院特征从再入院特征矩阵中移除，所述Z分数的计算公式为：
；
式中，是Z分数，/>是叶子节点的增益值的平均值，/>是叶子节点的增益值的标准差；
步骤S435：通过重复执行步骤S421及其后续步骤操作Kmax次，得到再入院关键特征矩阵，所述再入院关键特征矩阵用于表示经过特征选择后的再入院特征矩阵；
步骤S44：依据患者预测体重和再入院关键特征矩阵，采用人工神经网络模型进行术后再入院预测，将患者分为再入院高风险人群和再入院非高风险人群，得到术后再入院风险。
进一步地，在步骤S5中，所述术后管理策略生成，用于依据患者预测体重和术后再入院风险，生成术后管理策略，具体为基于患者预测体重制定健康管理计划，所述健康管理计划包括饮食、运动和药物管理计划，基于术后再入院风险，对再入院风险高的患者加强术后康复监测并增加复诊频率。
本发明提供的一种基于人工智能的减重手术术后管理***，包括：患者数据采集模块、数据预处理模块、患者体重预测模块、术后再入院预测模块和术后管理策略生成模块；
所述患者数据采集模块，用于患者数据采集，具体为通过采集减重手术术后管理相关数据，得到患者临床数据，并将所述患者临床数据发送至数据预处理模块；
所述数据预处理模块，用于数据预处理，具体为通过对患者临床数据进行预处理，得到临床初始数据，并将所述临床初始数据发送至患者体重预测模块和术后再入院预测模块；
所述患者体重预测模块，用于预测患者减重手术3个月后的体重，具体为通过皮尔逊相关系数对临床初始数据进行特征筛选，得到体重预测特征，采用埃尔曼循环神经网络进行患者体重预测模型构建，得到患者体重预测模型，采用患者体重预测模型进行体重预测，得到患者预测体重，并将所述患者预测体重发送至术后再入院预测模块；
所述术后再入院预测模块，用于依据患者预测体重和临床初始数据进行术后再入院预测，具体为通过一维卷积神经网络对临床初始数据进行特征提取，得到再入院特征矩阵，采用结合极限梯度提升模型的博鲁塔算法进行特征选择，得到再入院关键特征矩阵，依据患者预测体重和再入院关键特征矩阵，采用人工神经网络模型进行术后再入院预测，得到术后再入院风险，并将所述术后再入院风险发送至术后管理策略生成模块；
所述术后管理策略生成模块，用于生成术后管理策略，具体为基于患者预测体重制定健康管理计划，所述健康管理计划包括饮食、运动和药物管理计划，基于术后再入院风险，对再入院风险高的患者加强术后康复监测和增加复诊频率。
采用上述方案本发明取得的有益效果如下：
（1）针对在现有的减重手术术后管理过程中，存在着减重手术术后管理所需要的患者体重预测，对于模型性能的要求较高，且需要准确、适应性高且泛化能力强的神经网络的技术问题，本方案创造性地采用埃尔曼循环神经网络进行患者体重预测，通过在隐藏层后增设上下文层，增加了模型对动态信息的处理能力，并进一步提高了神经网络模型的适应性和泛化能力，在提升了准确率的同时也提升了训练效率，增强了方法整体的可用性。
（2）针对在现有的减重手术术后管理过程中，存在着已有的再入院预测模型的鲁棒性低，且实际预测结果不可靠，进而影响了减重手术术后管理***的实用性的技术问题；本方案创造性地采用结合极限梯度提升模型的博鲁塔算法进行特征选择，并进一步进行术后再入院预测，通过引入阴影特征矩阵和Z分数，降低了传统极限梯度提升模型的随机性，具有高精度、高鲁棒性和低随机性的特点，提升了减重手术术后管理***的实用性，进而有助于医护人员根据患者情况高效地制定管理策略，促进患者术后恢复。
附图说明
图1为本发明提供的一种基于人工智能的减重手术术后管理方法的流程示意图；
图2为本发明提供的一种基于人工智能的减重手术术后管理***的示意图；
图3为步骤S3的流程示意图；
图4为步骤S4的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的一种基于人工智能的减重手术术后管理方法，该方法包括以下步骤：
步骤S1：患者数据采集，具体为获取患者临床数据；
步骤S2：数据预处理；
步骤S3：患者体重预测，具体为通过皮尔逊相关系数对临床初始数据进行特征筛选，得到体重预测特征，采用埃尔曼循环神经网络进行患者体重预测模型构建，并通过构建得到的患者体重预测模型进行体重预测，得到患者预测体重；
步骤S4：术后再入院预测；
步骤S5：术后管理策略生成。
实施例二，参阅图1，该实施例基于上述实施例，在步骤S1中，所述患者临床数据包括患者基本信息、就诊记录、病史、手术信息和随访记录，所述患者基本信息包括性别、年龄、体重指数，所述体重指数具体指BMI指数，所述手术信息包括手术类型、手术时长和术后住院时长，所述随访记录记载了术后体重和患者术后3个月内是否再次入院以及再入院的原因，所述术后体重具体指术后3个月后的体重。
实施例三，参阅图1，该实施例基于上述实施例，在步骤S2中，所述数据预处理，具体为对患者临床数据进行异常值清除、去噪、缺失值填补和归一化操作，得到临床初始数据。
实施例四，参阅图1和图3，该实施例基于上述实施例，在步骤S3中，所述患者体重预测，用于预测患者减重手术术后的体重，包括以下步骤：
步骤S31：采用皮尔逊相关系数对临床初始数据进行特征筛选，具体为计算临床初始数据中每个变量与术后体重的皮尔逊相关系数，选择皮尔逊相关系数最高的k个变量，得到体重预测特征；
步骤S32：患者体重预测模型构建，具体为采用埃尔曼循环神经网络构建患者体重预测模型，包括以下步骤：
步骤S321：搭建埃尔曼循环神经网络结构，所述埃尔曼循环神经网络结构包括输入层、隐藏层、上下文层和输出层，将学习率设置为0.001；
所述输入层接收体重预测特征作为输入特征，并依据体重预测特征的维度，设置输入层节点数量，使输入层节点数量等于体重预测特征的维度；
所述隐藏层设置Sigmoid激活函数作为隐藏层激活函数；
所述输出层设置线性激活函数作为输出层激活函数；
所述上下文层用于记忆上一时刻的隐藏层输出值，将隐藏层输出值再次反馈到隐藏层；
步骤S322：采用Sigmoid激活函数，计算隐藏层的初始输出，将隐藏层的初始输出作为上下文层的输入，通过上下文层将隐藏层的初始输出反馈到隐藏层，计算得到隐藏层的最终输出，计算公式为：
；
式中，t是时间步索引，hout2(t)是隐藏层的最终输出，所述隐藏层的最终输出用于表示当前时刻的隐藏层输出，是Sigmoid激活函数，Wt是当前时刻的隐藏层权重矩阵，y(t)是当前时刻的输入特征，Wt-1是前一时刻隐藏层的权重矩阵，hlout1(t-1)是隐藏层的初始输出，所述隐藏层的初始输出用于表示前一时刻的隐藏层输出，g1是隐藏层偏置项；
步骤S323：计算输出层的输出，用于计算模型的输出结果，计算公式为：
；
式中，olout(t)是当前时刻的输出层输出，是线性激活函数，W1t是当前时刻的输出层权重矩阵，g2是输出层偏置项；
步骤S324：计算模型的损失函数，通过对损失函数进行反向传播，更新模型参数；
步骤S325：采用带动量的梯度下降算法，通过重复步骤S322及其后续步骤操作N次进行模型训练，得到患者体重预测模型；
步骤S33：采用患者体重预测模型进行体重预测，得到患者预测体重；
通过执行上述操作，针对在现有的减重手术术后管理过程中，存在着减重手术术后管理所需要的患者体重预测，对于模型性能的要求较高，且需要准确、适应性高且泛化能力强的神经网络的技术问题，本方案创造性地采用埃尔曼循环神经网络进行患者体重预测，通过在隐藏层后增设上下文层，增加了模型对动态信息的处理能力，并进一步提高了神经网络模型的适应性和泛化能力，在提升了准确率的同时也提升了训练效率，增强了方法整体的可用性。
实施例五，参阅图1和图4，该实施例基于上述实施例，在步骤S4中，所述术后再入院预测，用于依据患者预测体重和临床初始数据进行术后再入院预测，包括以下步骤：
步骤S41：通过一维卷积神经网络对临床初始数据进行特征提取，得到再入院特征矩阵，所述一维卷积神经网络包含一个一维卷积层、两个最大池化层、一个扁平化层、第一全连接层、第二全连接层和一个正则化层；
所述一维卷积层设置30个卷积核，所述第一全连接层设置20个神经元，所述第二全连接层设置1个神经元，所述正则化层的随机失活率设置为0.5；
步骤S42：通过将极限梯度提升模型与博鲁塔算法相结合，得到结合极限梯度提升模型的博鲁塔算法；
步骤S43：采用结合极限梯度提升模型的博鲁塔算法进行特征选择，包括以下步骤：
步骤S431：构建输入特征矩阵，具体为将再入院特征矩阵进行随机排列，得到影子特征矩阵，将再入院特征矩阵和影子特征矩阵进行拼接，得到输入特征矩阵；
步骤S432：训练极限梯度提升模型，具体为依据梯度提升原理，通过最小化损失函数和目标函数进行模型训练，包括以下步骤：
步骤S4321：计算目标函数，用于确定模型的优化目标，计算公式为：
；
式中，K是决策树索引，是目标函数，j是样本索引，所述样本用于表示输入特征矩阵中的样本，M是样本数量，所述样本数量用于表示输入特征矩阵中的样本数量，是损失函数，xj是第j个样本的实际值，/>是第j个样本的预测值，/>是正则化项，用于控制模型的复杂度，fK是第K个决策树的预测值；
步骤S4322：计算损失函数，用于衡量模型预测值与实际值之间的差异，计算公式为：
；
步骤S4323：采用目标函数的二阶泰勒展开式评估第K个决策树的性能，用于最小化目标函数，计算公式为：
；
式中，是目标函数的二阶泰勒展开式，i是叶子节点索引，Lno是叶子节点数量，FDi是损失函数对于第i个叶子节点的一阶导数，SDi是损失函数对于第i个叶子节点的二阶导数，α是正则化权重，β是模型超参数，用于控制叶子节点数量；
步骤S433：计算叶子节点的增益值，用于评估特征的重要性，计算公式为：
；
式中，leafg是叶子节点的增益值，FDL是左节点的一阶导数，SDL是左节点的二阶导数，FDR是右节点的一阶导数，SDR是右节点的二阶导数；
步骤S434：依据Z分数判断再入院特征矩阵中每个特征的重要性，如果再入院特征的Z分数低于影子特征的最大Z分数，则将该再入院特征从再入院特征矩阵中移除，所述Z分数的计算公式为：
；
式中，是Z分数，/>是叶子节点的增益值的平均值，/>是叶子节点的增益值的标准差；
步骤S435：通过重复执行步骤S421及其后续步骤操作Kmax次，得到再入院关键特征矩阵，所述再入院关键特征矩阵用于表示经过特征选择后的再入院特征矩阵；
步骤S44：依据患者预测体重和再入院关键特征矩阵，采用人工神经网络模型进行术后再入院预测，将患者分为再入院高风险人群和再入院非高风险人群，得到术后再入院风险；
通过执行上述操作，针对在现有的减重手术术后管理过程中，存在着已有的再入院预测模型的鲁棒性低，且实际预测结果不可靠，进而影响了减重手术术后管理***的实用性的技术问题；本方案创造性地采用结合极限梯度提升模型的博鲁塔算法进行特征选择，并进一步进行术后再入院预测，通过引入阴影特征矩阵和Z分数，降低了传统极限梯度提升模型的随机性，具有高精度、高鲁棒性和低随机性的特点，提升了减重手术术后管理***的实用性，进而有助于医护人员根据患者情况高效地制定管理策略，促进患者术后恢复。
实施例六，参阅图1，该实施例基于上述实施例，在步骤S5中，所述术后管理策略生成，用于依据患者预测体重和术后再入院风险，生成术后管理策略，具体为基于患者预测体重制定健康管理计划，所述健康管理计划包括饮食、运动和药物管理计划，基于术后再入院风险，对再入院风险高的患者加强术后康复监测并增加复诊频率。
实施例七，参阅图2，该实施例基于上述实施例，本发明提供的一种基于人工智能的减重手术术后管理***，包括：患者数据采集模块、数据预处理模块、患者体重预测模块、术后再入院预测模块和术后管理策略生成模块；
所述患者数据采集模块，用于患者数据采集，具体为通过采集减重手术术后管理相关数据，得到患者临床数据，并将所述患者临床数据发送至数据预处理模块；
所述数据预处理模块，用于数据预处理，具体为通过对患者临床数据进行预处理，得到临床初始数据，并将所述临床初始数据发送至患者体重预测模块和术后再入院预测模块；
所述患者体重预测模块，用于预测患者减重手术3个月后的体重，具体为通过皮尔逊相关系数对临床初始数据进行特征筛选，得到体重预测特征，采用埃尔曼循环神经网络进行患者体重预测模型构建，得到患者体重预测模型，采用患者体重预测模型进行体重预测，得到患者预测体重，并将所述患者预测体重发送至术后再入院预测模块；
所述术后再入院预测模块，用于依据患者预测体重和临床初始数据进行术后再入院预测，具体为通过一维卷积神经网络对临床初始数据进行特征提取，得到再入院特征矩阵，采用结合极限梯度提升模型的博鲁塔算法进行特征选择，得到再入院关键特征矩阵，依据患者预测体重和再入院关键特征矩阵，采用人工神经网络模型进行术后再入院预测，得到术后再入院风险，并将所述术后再入院风险发送至术后管理策略生成模块；
所述术后管理策略生成模块，用于生成术后管理策略，具体为基于患者预测体重制定健康管理计划，所述健康管理计划包括饮食、运动和药物管理计划，基于术后再入院风险，对再入院风险高的患者加强术后康复监测和增加复诊频率。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (7)
1.一种基于人工智能的减重手术术后管理方法，其特征在于：该方法包括以下步骤：
步骤S1：患者数据采集，具体为获取患者临床数据；
步骤S2：数据预处理；
步骤S3：患者体重预测，具体为通过皮尔逊相关系数对临床初始数据进行特征筛选，得到体重预测特征，采用埃尔曼循环神经网络进行患者体重预测模型构建，并通过构建得到的患者体重预测模型进行体重预测，得到患者预测体重；
步骤S4：术后再入院预测；
步骤S5：术后管理策略生成；
在步骤S4中，所述术后再入院预测，用于依据患者预测体重和临床初始数据进行术后再入院预测，包括以下步骤：
步骤S41：通过一维卷积神经网络对临床初始数据进行特征提取，得到再入院特征矩阵；
步骤S42：通过将极限梯度提升模型与博鲁塔算法相结合，得到结合极限梯度提升模型的博鲁塔算法；
步骤S43：采用结合极限梯度提升模型的博鲁塔算法进行特征选择；
步骤S44：依据患者预测体重和再入院关键特征矩阵，采用人工神经网络模型进行术后再入院预测，将患者分为再入院高风险人群和再入院非高风险人群，得到术后再入院风险。
2.根据权利要求1所述的一种基于人工智能的减重手术术后管理方法，其特征在于：在步骤S41中，所述一维卷积神经网络包含一个一维卷积层、两个最大池化层、一个扁平化层、第一全连接层、第二全连接层和一个正则化层；
在步骤S43中，所述采用结合极限梯度提升模型的博鲁塔算法进行特征选择，包括以下步骤：
步骤S431：构建输入特征矩阵，具体为将再入院特征矩阵进行随机排列，得到影子特征矩阵，将再入院特征矩阵和影子特征矩阵进行拼接，得到输入特征矩阵；
步骤S432：训练极限梯度提升模型，具体为依据梯度提升原理，通过最小化损失函数和目标函数进行模型训练，包括以下步骤：
步骤S4321：计算目标函数，用于确定模型的优化目标，计算公式为：
；
式中，K是决策树索引，是目标函数，j是样本索引，所述样本用于表示输入特征矩阵中的样本，M是样本数量，所述样本数量用于表示输入特征矩阵中的样本数量，/>是损失函数，xj是第j个样本的实际值，/>是第j个样本的预测值，/>是正则化项，用于控制模型的复杂度，fK是第K个决策树的预测值；
步骤S4322：计算损失函数，用于衡量模型预测值与实际值之间的差异，计算公式为：
；
步骤S4323：采用目标函数的二阶泰勒展开式评估第K个决策树的性能，用于最小化目标函数，计算公式为：
；
式中，是目标函数的二阶泰勒展开式，i是叶子节点索引，Lno是叶子节点数量，FDi是损失函数对于第i个叶子节点的一阶导数，SDi是损失函数对于第i个叶子节点的二阶导数，α是正则化权重，β是模型超参数，用于控制叶子节点数量；
步骤S433：计算叶子节点的增益值，用于评估特征的重要性，计算公式为：
；
式中，leafg是叶子节点的增益值，FDL是左节点的一阶导数，SDL是左节点的二阶导数，FDR是右节点的一阶导数，SDR是右节点的二阶导数；
步骤S434：依据Z分数判断再入院特征矩阵中每个特征的重要性，如果再入院特征的Z分数低于影子特征的最大Z分数，则将该再入院特征从再入院特征矩阵中移除，所述Z分数的计算公式为：
；
式中，是Z分数，/>是叶子节点的增益值的平均值，/>是叶子节点的增益值的标准差；
步骤S435：通过重复执行步骤S421及其后续步骤操作Kmax次，得到再入院关键特征矩阵，所述再入院关键特征矩阵用于表示经过特征选择后的再入院特征矩阵。
3.根据权利要求2所述的一种基于人工智能的减重手术术后管理方法，其特征在于：在步骤S3中，所述患者体重预测，用于预测患者减重手术术后的体重，包括以下步骤：
步骤S31：采用皮尔逊相关系数对临床初始数据进行特征筛选，具体为计算临床初始数据中每个变量与术后体重的皮尔逊相关系数，选择皮尔逊相关系数最高的k个变量，得到体重预测特征；
步骤S32：患者体重预测模型构建，具体为采用埃尔曼循环神经网络构建患者体重预测模型，包括以下步骤：
步骤S321：搭建埃尔曼循环神经网络结构，所述埃尔曼循环神经网络结构包括输入层、隐藏层、上下文层和输出层；
所述输入层接收体重预测特征作为输入特征，并依据体重预测特征的维度，设置输入层节点数量，使输入层节点数量等于体重预测特征的维度；
所述隐藏层设置Sigmoid激活函数作为隐藏层激活函数；
所述输出层设置线性激活函数作为输出层激活函数；
所述上下文层用于记忆上一时刻的隐藏层输出值，将隐藏层输出值再次反馈到隐藏层；
步骤S322：采用Sigmoid激活函数，计算隐藏层的初始输出，将隐藏层的初始输出作为上下文层的输入，通过上下文层将隐藏层的初始输出反馈到隐藏层，计算得到隐藏层的最终输出，计算公式为：
；
式中，t是时间步索引，hout2(t)是隐藏层的最终输出，所述隐藏层的最终输出用于表示当前时刻的隐藏层输出，是Sigmoid激活函数，Wt是当前时刻的隐藏层权重矩阵，y(t)是当前时刻的输入特征，Wt-1是前一时刻隐藏层的权重矩阵，hlout1(t-1)是隐藏层的初始输出，所述隐藏层的初始输出用于表示前一时刻的隐藏层输出，g1是隐藏层偏置项；
步骤S323：计算输出层的输出，用于计算模型的输出结果，计算公式为：
；
式中，olout(t)是当前时刻的输出层输出，是线性激活函数，W1t是当前时刻的输出层权重矩阵，g2是输出层偏置项；
步骤S324：计算模型的损失函数，通过对损失函数进行反向传播，更新模型参数；
步骤S325：采用带动量的梯度下降算法，通过重复步骤S322及其后续步骤操作N次进行模型训练，得到患者体重预测模型；
步骤S33：采用患者体重预测模型进行体重预测，得到患者预测体重。
4.根据权利要求3所述的一种基于人工智能的减重手术术后管理方法，其特征在于：在步骤S5中，所述术后管理策略生成，用于依据患者预测体重和术后再入院风险，生成术后管理策略，具体为基于患者预测体重制定健康管理计划，所述健康管理计划包括饮食、运动和药物管理计划，基于术后再入院风险，对再入院风险高的患者加强术后康复监测并增加复诊频率。
5.根据权利要求4所述的一种基于人工智能的减重手术术后管理方法，其特征在于：在步骤S1中，所述患者临床数据包括患者基本信息、就诊记录、病史、手术信息和随访记录，所述患者基本信息包括性别、年龄、体重指数，所述体重指数具体指BMI指数，所述手术信息包括手术类型、手术时长和术后住院时长，所述随访记录记载了术后体重和患者术后3个月内是否再次入院以及再入院的原因，所述术后体重具体指术后3个月后的体重；
在步骤S2中，所述数据预处理，具体为对患者临床数据进行异常值清除、去噪、缺失值填补和归一化操作，得到临床初始数据。
6.一种基于人工智能的减重手术术后管理***，用于实现如权利要求1-5中任一项所述的一种基于人工智能的减重手术术后管理方法，其特征在于：包括患者数据采集模块、数据预处理模块、患者体重预测模块、术后再入院预测模块和术后管理策略生成模块。
7.根据权利要求6所述的一种基于人工智能的减重手术术后管理***，其特征在于：所述患者数据采集模块，用于患者数据采集，具体为通过采集减重手术术后管理相关数据，得到患者临床数据，并将所述患者临床数据发送至数据预处理模块；
所述数据预处理模块，用于数据预处理，具体为通过对患者临床数据进行预处理，得到临床初始数据，并将所述临床初始数据发送至患者体重预测模块和术后再入院预测模块；
所述患者体重预测模块，用于预测患者减重手术3个月后的体重，具体为通过皮尔逊相关系数对临床初始数据进行特征筛选，得到体重预测特征，采用埃尔曼循环神经网络进行患者体重预测模型构建，得到患者体重预测模型，采用患者体重预测模型进行体重预测，得到患者预测体重，并将所述患者预测体重发送至术后再入院预测模块；
所述术后再入院预测模块，用于依据患者预测体重和临床初始数据进行术后再入院预测，具体为通过一维卷积神经网络对临床初始数据进行特征提取，得到再入院特征矩阵，采用结合极限梯度提升模型的博鲁塔算法进行特征选择，得到再入院关键特征矩阵，依据患者预测体重和再入院关键特征矩阵，采用人工神经网络模型进行术后再入院预测，得到术后再入院风险，并将所述术后再入院风险发送至术后管理策略生成模块；
所述术后管理策略生成模块，用于生成术后管理策略，具体为基于患者预测体重制定健康管理计划，所述健康管理计划包括饮食、运动和药物管理计划，基于术后再入院风险，对再入院风险高的患者加强术后康复监测和增加复诊频率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410217422.8A CN117809811B (zh) | 2024-02-28 | 2024-02-28 | 一种基于人工智能的减重手术术后管理方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410217422.8A CN117809811B (zh) | 2024-02-28 | 2024-02-28 | 一种基于人工智能的减重手术术后管理方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117809811A true CN117809811A (zh) | 2024-04-02 |
| CN117809811B CN117809811B (zh) | 2024-05-10 |
Family
ID=90434794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410217422.8A Active CN117809811B (zh) | 2024-02-28 | 2024-02-28 | 一种基于人工智能的减重手术术后管理方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117809811B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101001167B1 (ko) * | 2010-04-26 | 2010-12-15 | 주식회사제론헬스케어 | 비만 또는 성인병 관리 전문클리닉과 연계된 개인 건강 기록 시스템 |
| EP2719291A1 (fr) * | 2012-10-09 | 2014-04-16 | International Nutrition Research Company | Produit dietetique destine a être administre a long terme aux personnes obeses operées en chirurgie bariatrique |
| CN107785062A (zh) * | 2017-10-31 | 2018-03-09 | 南京鼓楼医院 | 多学科干预肥胖的健康管理方法 |
| 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 |
| CN112086195A (zh) * | 2020-09-16 | 2020-12-15 | 电子科技大学 | 一种基于自适应集成学习模型的再入院风险预测方法 |
| CN114822806A (zh) * | 2022-04-22 | 2022-07-29 | 昆明市第一人民医院 | 一种减重代谢手术术后跟踪诊疗*** |
| WO2022226227A1 (en) * | 2021-04-21 | 2022-10-27 | Cedars-Sinai Medical Center | Deep neural networks for predicting post-operative outcomes |
| US20230068453A1 (en) * | 2021-08-25 | 2023-03-02 | Koninklijke Philips N.V. | Methods and systems for determining and displaying dynamic patient readmission risk and intervention recommendation |
| CN116344052A (zh) * | 2023-03-28 | 2023-06-27 | 山西医科大学 | 再入院预测模型训练方法、再入院预测方法、装置及设备 |
| CN117043881A (zh) * | 2021-01-22 | 2023-11-10 | 西拉格国际有限公司 | 减重外科手术术后监测 |
-
2024
- 2024-02-28 CN CN202410217422.8A patent/CN117809811B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101001167B1 (ko) * | 2010-04-26 | 2010-12-15 | 주식회사제론헬스케어 | 비만 또는 성인병 관리 전문클리닉과 연계된 개인 건강 기록 시스템 |
| EP2719291A1 (fr) * | 2012-10-09 | 2014-04-16 | International Nutrition Research Company | Produit dietetique destine a être administre a long terme aux personnes obeses operées en chirurgie bariatrique |
| CN107785062A (zh) * | 2017-10-31 | 2018-03-09 | 南京鼓楼医院 | 多学科干预肥胖的健康管理方法 |
| 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 |
| CN112086195A (zh) * | 2020-09-16 | 2020-12-15 | 电子科技大学 | 一种基于自适应集成学习模型的再入院风险预测方法 |
| CN117043881A (zh) * | 2021-01-22 | 2023-11-10 | 西拉格国际有限公司 | 减重外科手术术后监测 |
| WO2022226227A1 (en) * | 2021-04-21 | 2022-10-27 | Cedars-Sinai Medical Center | Deep neural networks for predicting post-operative outcomes |
| US20230068453A1 (en) * | 2021-08-25 | 2023-03-02 | Koninklijke Philips N.V. | Methods and systems for determining and displaying dynamic patient readmission risk and intervention recommendation |
| CN114822806A (zh) * | 2022-04-22 | 2022-07-29 | 昆明市第一人民医院 | 一种减重代谢手术术后跟踪诊疗*** |
| CN116344052A (zh) * | 2023-03-28 | 2023-06-27 | 山西医科大学 | 再入院预测模型训练方法、再入院预测方法、装置及设备 |
Non-Patent Citations (4)
| Title |
|---|
| DIDIER MOREL ET AL: "Predicting hospital readmission in patients with mental or substance use disorders: A machine learning approach", 《INTERNATIONAL JOURNAL OF MEDICAL INFORMATICS》, 31 July 2020 (2020-07-31) * |
| MATTEO TORQUATI ET AL: "Using the Super Learner algorithm to predict risk of 30-day readmission after bariatric surgery in the United States", 《SURGERY》, 31 July 2021 (2021-07-31) * |
| ROBERT B. DORMAN ET AL: "Risk for Hospital Readmission following Bariatric Surgery", 《PLOS ONE》, 31 March 2012 (2012-03-31) * |
| 丁锐;姚琪远;: "减重术后的管理策略", 外科理论与实践, no. 06, 25 November 2017 (2017-11-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117809811B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180158552A1 (en) | Interpretable deep learning framework for mining and predictive modeling of health care data | |
| Pradhan et al. | Predict the onset of diabetes disease using Artificial Neural Network (ANN) | |
| Verma et al. | Temporal deep learning architecture for prediction of COVID-19 cases in India | |
| CN113592809B (zh) | 一种基于通道注意力残差网络的肺炎图像检测***及方法 | |
| CN113421652A (zh) | 对医疗数据进行分析的方法、训练模型的方法及分析仪 | |
| CN116189847B (zh) | 一种基于注意力机制的lstm-cnn策略的安全药物推荐方法 | |
| Kumar et al. | Predictive classification of covid-19: Assessing the impact of digital technologies | |
| West et al. | Improving diagnostic accuracy using a hierarchical neural network to model decision subtasks | |
| CN117034142B (zh) | 一种不平衡医疗数据缺失值填充方法及*** | |
| Chadaga et al. | Predicting cervical cancer biopsy results using demographic and epidemiological parameters: a custom stacked ensemble machine learning approach | |
| Yeganeh et al. | Employing evolutionary artificial neural network in risk-adjusted monitoring of surgical performance | |
| Oh et al. | Genetically optimized fuzzy polynomial neural networks with fuzzy set-based polynomial neurons | |
| CN117203644A (zh) | 神经网络模型生成、生理数据分类、以及患者临床分类 | |
| CN106874668B (zh) | 一种基于全记忆事件序列挖掘模型的用药分析方法 | |
| CN115985513B (zh) | 一种基于多组学癌症分型的数据处理方法、装置及设备 | |
| CN116072298B (zh) | 一种基于层级标记分布学习的疾病预测*** | |
| CN117809811B (zh) | 一种基于人工智能的减重手术术后管理方法及*** | |
| CN111798324A (zh) | 一种基于动态就医行为对齐的医保欺诈发现方法 | |
| Wang et al. | Predicting clinical visits using recurrent neural networks and demographic information | |
| Mehrankia et al. | Prediction of heart attacks using biological signals based on recurrent GMDH neural network | |
| Azam et al. | Classification of COVID-19 symptoms using multilayer perceptron | |
| Dey et al. | Deep Greedy Network: a tool for medical diagnosis on exiguous dataset of COVID-19 | |
| Saraswathi et al. | Designing the Prediction Protocol based on Sparrow Search Optimization Algorithm with Vibrational Auto Encoder in E-Healthcare | |
| Kavitha et al. | Application of AI and ML Techniques for Revolutionized Health Care System | |
| Dutt et al. | A multi-layer feed forward neural network approach for diagnosing diabetes |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |