CN108846503A - 一种基于神经网络的呼吸系统疾病患病人次动态预测方法 - Google Patents

一种基于神经网络的呼吸系统疾病患病人次动态预测方法 Download PDF

Info

Publication number
CN108846503A
CN108846503A CN201810471661.0A CN201810471661A CN108846503A CN 108846503 A CN108846503 A CN 108846503A CN 201810471661 A CN201810471661 A CN 201810471661A CN 108846503 A CN108846503 A CN 108846503A
Authority
CN
China
Prior art keywords
model
time
data
neural network
respiratory disease
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
Application number
CN201810471661.0A
Other languages
English (en)
Other versions
CN108846503B (zh
Inventor
邱航
周力
潘惊萍
王利亚
朱晓娟
陈梦蝶
邓韧
段占祺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Provincial Health And Family Planning Information Center
University of Electronic Science and Technology of China
Original Assignee
Sichuan Provincial Health And Family Planning Information Center
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Provincial Health And Family Planning Information Center, University of Electronic Science and Technology of China filed Critical Sichuan Provincial Health And Family Planning Information Center
Priority to CN201810471661.0A priority Critical patent/CN108846503B/zh
Publication of CN108846503A publication Critical patent/CN108846503A/zh
Application granted granted Critical
Publication of CN108846503B publication Critical patent/CN108846503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明公开了一种基于神经网络的呼吸系统疾病患病人次动态预测方法。该方法通过从病案中提取呼吸系统疾病门急诊和住院患者人次分布，综合区域空气污染物浓度、区域气象数据、节假日、星期几效应和区域社会经济水平等信息。该方法是利用一种基于LSTM神经网络模型来实现的，该方法包括如下几个步骤：步骤一：多源数据整合；步骤二：数据预处理；步骤三：构建LSTM神经网络模型；步骤四：模型验证与调优；步骤五：增量学习与动态预测。通过以较高的精确度动态预测区域范围内呼吸系统疾病患病人次，为解决区域医疗卫生资源优化配置和研究空气污染对疾病负担的影响等问题提供科学依据。

Description

一种基于神经网络的呼吸系统疾病患病人次动态预测方法
技术领域
本发明涉及患病人次预测方法、数据预处理技术、人工神经网络技术相关领域，具体来讲涉及一种基于神经网络的呼吸系统疾病患病人次动态预测方法。
背景技术
随着工业化的发展和城市化进程的加快，空气污染问题日益严重，导致近年来我国雾霾天气频发。大气污染对人类健康造成了极大威胁，引起了国内外各界人民的广泛关注。人们迫切希望政府及相关部门依据天气和大气污染状况及时给出相关敏感性疾病预报，以便提前采取防护措施，最大限度地减少大气污染对人体健康的不良影响。
大气污染对人体健康的影响已成为研究热点。虽然国内诸多环境医学工作者在大气污染及其对人体健康影响方面进行了相关研究，但相比于国外，国内仍处于起步阶段，此项研究仍需深入，且其预报研究工作还比较少见。
在此背景下，希望通过综合大气污染的主要污染物（PM2.5、PM10、NO2、SO2、CO、O3）浓度数据，每天的日均温度和相对湿度等气象数据，区域社会经济水平数据，区域疾病住院人次数据和门急诊就诊人次数据，提供一种采用长短期记忆网络（Long Short-TermMemory，LSTM）来构建呼吸系统疾病患病人次的预测方法，使得以较高的精确度动态预测区域范围内呼吸系统疾病患病人次，为解决区域医疗卫生资源优化配置和研究空气污染对疾病负担的影响等问题提供科学依据。
经过检索分析发现，目前，LSTM神经网络模型在医药卫生科技领域的应用较少，在国内，有部分学者应用LSTM神经网络模型预测疾病复发风险，但尚未检索到应用LSTM神经网络模型预测患病人次的相关文献。另外，有部分学者应用神经网络模型研究了环境污染与急诊人次/住院人次的关联性，但未采用适合于处理和预测时间序列的LSTM神经网络模型，且尚未做到动态预测。
发明内容
因此，本发明的研究目的在于通过综合大气污染的主要污染物（PM2.5、PM10、NO2、SO2、CO、O3）浓度数据，每天的日均温度和相对湿度等气象数据，区域社会经济水平数据，区域疾病住院人次数据和门急诊就诊人次数据，提供一种采用长短期记忆网络（Long Short-Term Memory，LSTM）来构建呼吸系统疾病患病人次的预测方法，使得以较高的精确度动态预测区域范围内呼吸系统疾病患病人次，为解决区域医疗卫生资源优化配置和研究空气污染对疾病负担的影响等问题提供科学依据。
本发明是这样实现的，构造一种基于神经网络的呼吸系统疾病患病人次动态预测方法，其特征在于：该方法整合多源数据；采用LSTM神经网络来构建呼吸系统疾病患病人次的预测模型；随着时间的变化，模型中不断加入最新真实数据，反复迭代优化模型，达到增量学习和动态预测的目的；具有如下步骤：
步骤一：多源数据整合；
步骤二：数据预处理；
步骤三：构建LSTM神经网络模型；
步骤四：模型验证与调优；
步骤五：增量学习与动态预测。
根据本发明所述的一种基于神经网络的呼吸系统疾病患病人次动态预测方法，其特征在于：该方法需要先对多维数据关联整合与预处理，所述的预处理包括以下子步骤：
S101：数据清洗，修正填写不规范的字段；
S102：在多源数据关联整合的过程中，字段进行统一标准化处理；
S103：样本筛选：选择数据质量高、信息量全的呼吸系统疾病数据；
S104：序列构建：通过序列图分析以及自相关性检验，判断序列的平稳性，对非平稳时间序列采用差分的方式进行平稳化处理。
根据本发明所述一种基于神经网络的呼吸系统疾病患病人次动态预测方法，其特征在于：基于LSTM神经网络患病人次的预测模型构建，包括以下子步骤：
S201：序列选取：选择时间序列，加入事件变量，构建预测模型；
S202：模型验证与评价：采用回顾性验证和前瞻性验证相结合的方式；
S203：模型调优：模型调优分两块，一是数据优化即输入时间序列的选取，二是模型参数调优，通过这两部分调整最终训练出一个可靠的预测模型。
根据本发明所述一种基于神经网络的呼吸系统疾病患病人次动态预测方法，其特征在于：所述的动态预测包括以下子步骤：
S301：模型增量学习：随着时间的变化，模型中不断加入最新真实数据供模型学习和优化；
S302：通过时间序列的变化，反复迭代优化模型，动态预测下一周期的患病人次。
根据本发明所述的一种基于神经网络的呼吸系统疾病患病人次动态预测方法，其特征在于：所述的预测周期一般以周或日为佳。
根据本发明所述的一种基于神经网络的呼吸系统疾病患病人次动态预测方法，其特征在于，该方法所述的多源数据包括大气污染的主要污染物（PM2.5、PM10、NO2、SO2、CO、O3）浓度数据，每天的日均温度和相对湿度等气象数据，区域社会经济水平数据，区域疾病住院人次数据和门急诊就诊人次数据。
本发明具有如下优点：本发明公开了一种基于神经网络的呼吸系统疾病患病人次动态预测方法。该方法通过从病案中提取不同病种门急诊和住院患者人次分布，综合区域空气污染物浓度、区域气象数据、节假日、星期几效应和区域社会经济水平等信息。该方法是利用一种基于LSTM神经网络模型来实现的，该方法包括如下几个步骤：步骤一：多源数据整合；步骤二：数据预处理；步骤三：构建LSTM神经网络模型；步骤四：模型验证与调优；步骤五：增量学习与动态预测。通过以较高的精确度动态预测区域范围内呼吸系统疾病患病人次，为解决区域医疗卫生资源优化配置和研究空气污染对疾病负担的影响等问题提供科学依据。
附图说明
图1为本发明的基本思想流程图；
图2为本发明的数据预处理流程图；
图3为本发明的基于LSTM神经网络构建流程图；
图4为本发明的动态预测模型流程图。
具体实施方式
下面将结合附图1—图4对本发明进行详细说明，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。
本发明通过改进在此提供一种基于神经网络的呼吸系统疾病患病人次动态预测方法，可以按照如下方式予以实施：如图1所示，该方法整合多源数据，即综合大气污染的主要污染物（PM2.5、PM10、NO2、SO2、CO、O3）浓度数据，每天的日均温度和相对湿度等气象数据，区域社会经济水平数据，区域疾病住院人次数据和门急诊就诊人次数据来构建动态预测模型；采用了一种适合于处理和预测时间序列中重要事件的LSTM神经网络来构建呼吸系统疾病患病人次的预测模型；随着时间的变化，模型中不断加入最新真实数据，反复迭代优化模型，达到增量学习和动态预测的目的。本发明具有如下步骤：
步骤一：多源数据整合；
步骤二：数据预处理；
步骤三：构建LSTM神经网络模型；
步骤四：模型验证与调优；
步骤五：增量学习与动态预测。
如图2所示，需要先对主要的大气污染物浓度、气象数据、区域社会经济水平、区域疾病住院人次数据和门急诊就诊人次等多维数据关联整合与预处理，所述的预处理包括以下子步骤：
S101：数据清洗，修正填写不规范的字段；
S102：在多源数据关联整合的过程中，字段进行统一标准化处理；
S103：样本筛选：选择数据质量高、信息量全的呼吸系统疾病数据；
S104：序列构建：通过序列图分析以及自相关性检验，判断序列的平稳性，对非平稳时间序列采用差分的方式进行平稳化处理。
如图3所示，基于LSTM神经网络患病人次的预测模型构建，包括以下子步骤：
S201：序列选取：选择时间序列，加入事件变量，构建预测模型；
S202：模型验证与评价：采用回顾性验证和前瞻性验证相结合的方式；
S203：模型调优：模型调优分两块，一是数据优化即输入时间序列的选取，二是模型参数调优，通过这两部分调整最终训练出一个可靠的预测模型。
如图4所示，所述的动态预测包括以下子步骤：
S301：模型增量学习：随着时间的变化，模型中不断加入最新真实数据供模型学习和优化；
S302：通过时间序列的变化，反复迭代优化模型，动态预测下一周期的患病人次；那么所述的预测周期一般以周或日为佳。
本发明通过从病案中提取不同病种门急诊和住院患者人次分布，综合区域空气污染物浓度、区域气象数据、节假日、星期几效应和区域社会经济水平等信息。该方法是利用一种基于LSTM神经网络模型来实现的，该方法包括如下几个步骤：步骤一：多源数据整合；步骤二：数据预处理；步骤三：构建LSTM神经网络模型；步骤四：模型验证与调优；步骤五：增量学习与动态预测。通过以较高的精确度动态预测区域范围内呼吸系统疾病患病人次，为解决区域医疗卫生资源优化配置和研究空气污染对疾病负担的影响等问题提供科学依据。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于神经网络的呼吸系统疾病患病人次动态预测方法，其特征在于：该方法整合多源数据；采用LSTM神经网络来构建呼吸系统疾病患病人次的预测模型；随着时间的变化，模型中不断加入最新真实数据，反复迭代优化模型，达到增量学习和动态预测的目的；具有如下步骤：
步骤一：多源数据整合；
步骤二：数据预处理；
步骤三：构建LSTM神经网络模型；
步骤四：模型验证与调优；
步骤五：增量学习与动态预测。
2.根据权利要求1所述的一种基于神经网络的呼吸系统疾病患病人次动态预测方法，其特征在于：该方法需要先对多维数据关联整合与预处理，所述的预处理包括以下子步骤：
S101：数据清洗，修正填写不规范的字段；
S102：在多源数据关联整合的过程中，字段进行统一标准化处理；
S103：样本筛选：选择数据质量高、信息量全的呼吸系统疾病数据；
S104：序列构建：通过序列图分析以及自相关性检验，判断序列的平稳性，对非平稳时间序列采用差分的方式进行平稳化处理。
3.根据权利要求1所述一种基于神经网络的呼吸系统疾病患病人次动态预测方法，其特征在于：基于LSTM神经网络患病人次的预测模型构建，包括以下子步骤：
S201：序列选取：选择时间序列，加入事件变量，构建预测模型；
S202：模型验证与评价：采用回顾性验证和前瞻性验证相结合的方式；
S203：模型调优：模型调优分两块，一是数据优化即输入时间序列的选取，二是模型参数调优，通过这两部分调整最终训练出一个可靠的预测模型。
4.根据权利要求1所述一种基于神经网络的呼吸系统疾病患病人次动态预测方法，其特征在于：所述的动态预测包括以下子步骤：
S301：模型增量学习：随着时间的变化，模型中不断加入最新真实数据供模型学习和优化；
S302：通过时间序列的变化，反复迭代优化模型，动态预测下一周期的患
病人次。
5.根据权利要求4所述的一种基于神经网络的呼吸系统疾病患病人次动态预测方法，其特征在于：所述的预测周期一般以周或日为佳。
6.根据权利要求1所述的一种基于神经网络的呼吸系统疾病患病人次动态预测方法，其特征在于，该方法所述的多源数据包括大气污染的主要污染物（PM2.5、PM10、NO2、SO2、CO、O3）浓度数据，每天的日均温度和相对湿度等气象数据，区域社会经济水平数据，区域疾病住院人次数据和门急诊就诊人次数据。
CN201810471661.0A 2018-05-17 2018-05-17 一种基于神经网络的呼吸系统疾病患病人次动态预测方法 Active CN108846503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810471661.0A CN108846503B (zh) 2018-05-17 2018-05-17 一种基于神经网络的呼吸系统疾病患病人次动态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810471661.0A CN108846503B (zh) 2018-05-17 2018-05-17 一种基于神经网络的呼吸系统疾病患病人次动态预测方法

Publications (2)

Publication Number Publication Date
CN108846503A true CN108846503A (zh) 2018-11-20
CN108846503B CN108846503B (zh) 2022-07-08

Family

ID=64213150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810471661.0A Active CN108846503B (zh) 2018-05-17 2018-05-17 一种基于神经网络的呼吸系统疾病患病人次动态预测方法

Country Status (1)

Country Link
CN (1) CN108846503B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110010248A (zh) * 2019-04-17 2019-07-12 电子科技大学 一种基于代价敏感集成学习模型的再入院风险预测方法
CN110706823A (zh) * 2019-11-15 2020-01-17 广州地理研究所 一种基于滞后分析和lstm的呼吸系统疾病发病人数预测方法
CN110837970A (zh) * 2019-11-11 2020-02-25 重庆亚德科技股份有限公司 一种区域卫生平台质控方法和系统
CN111681764A (zh) * 2020-06-11 2020-09-18 西南大学 基于bp神经网络的儿童呼吸系统疾病发病率预测方法
CN112086187A (zh) * 2020-09-16 2020-12-15 电子科技大学 一种基于复杂网络的疾病进展路径挖掘方法
CN112102959A (zh) * 2020-11-02 2020-12-18 平安科技（深圳）有限公司 一种服务器、数据处理方法、装置及可读存储介质
CN113077896A (zh) * 2021-04-27 2021-07-06 郑州大学 一种基于gam的心脑血管疾病门诊量评价系统及其使用方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130116999A1 (en) * 2011-11-04 2013-05-09 The Regents Of The University Of Michigan Patient-Specific Modeling and Forecasting of Disease Progression
CN103761366A (zh) * 2013-12-31 2014-04-30 中国人民解放军第二军医大学 基于系统动力学的医院与社区互动模型构建系统及方法
US20150066818A1 (en) * 2013-08-27 2015-03-05 Heartflow, Inc. Systems and methods for predicting location, onset, and/or change of coronary lesions
CN104899650A (zh) * 2015-05-26 2015-09-09 成都中科大旗软件有限公司 基于多源数据分析对旅游景区客流量进行预测的方法
CN104951894A (zh) * 2015-06-25 2015-09-30 成都厚立信息技术有限公司 医院疾病管理智能分析和评估系统
CN105184107A (zh) * 2015-10-20 2015-12-23 沈阳国际旅行卫生保健中心 一种人体循环系统健康风险预警系统
CN105232054A (zh) * 2015-10-20 2016-01-13 沈阳国际旅行卫生保健中心 一种人体内分泌系统健康风险预警系统
CN105303041A (zh) * 2015-10-20 2016-02-03 沈阳国际旅行卫生保健中心 一种人体消化系统健康风险预警系统
US20160092845A1 (en) * 2014-09-29 2016-03-31 The Cooper Health System, a New Jersey Nonprofit Corporation System and method for efficient scheduling of client appointments
CN105868572A (zh) * 2016-04-22 2016-08-17 浙江大学 一种基于自编码器的心肌缺血位置的预测方法
CN106778014A (zh) * 2016-12-29 2017-05-31 浙江大学 一种基于循环神经网络的患病风险预测方法
CN106777703A (zh) * 2016-12-19 2017-05-31 杭州讯阳科技有限公司 一种公交乘客实时分析系统及其构建方法
CN107025386A (zh) * 2017-03-22 2017-08-08 杭州电子科技大学 一种基于深度学习算法进行基因关联分析的方法
CN107180152A (zh) * 2016-03-09 2017-09-19 日本电气株式会社 疾病预测系统及方法
CN107194508A (zh) * 2017-05-18 2017-09-22 成都数联易康科技有限公司 一种基于时间序列动态预测中短期区域儿科门诊人次的方法
CN107273685A (zh) * 2017-06-14 2017-10-20 广东工业大学 一种针对临床疾病的多模态大数据的数据分析方法
CN107516110A (zh) * 2017-08-22 2017-12-26 华南理工大学 一种基于集成卷积编码的医疗问答语义聚类方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130116999A1 (en) * 2011-11-04 2013-05-09 The Regents Of The University Of Michigan Patient-Specific Modeling and Forecasting of Disease Progression
US20150066818A1 (en) * 2013-08-27 2015-03-05 Heartflow, Inc. Systems and methods for predicting location, onset, and/or change of coronary lesions
CN103761366A (zh) * 2013-12-31 2014-04-30 中国人民解放军第二军医大学 基于系统动力学的医院与社区互动模型构建系统及方法
US20160092845A1 (en) * 2014-09-29 2016-03-31 The Cooper Health System, a New Jersey Nonprofit Corporation System and method for efficient scheduling of client appointments
CN104899650A (zh) * 2015-05-26 2015-09-09 成都中科大旗软件有限公司 基于多源数据分析对旅游景区客流量进行预测的方法
CN104951894A (zh) * 2015-06-25 2015-09-30 成都厚立信息技术有限公司 医院疾病管理智能分析和评估系统
CN105232054A (zh) * 2015-10-20 2016-01-13 沈阳国际旅行卫生保健中心 一种人体内分泌系统健康风险预警系统
CN105303041A (zh) * 2015-10-20 2016-02-03 沈阳国际旅行卫生保健中心 一种人体消化系统健康风险预警系统
CN105184107A (zh) * 2015-10-20 2015-12-23 沈阳国际旅行卫生保健中心 一种人体循环系统健康风险预警系统
CN107180152A (zh) * 2016-03-09 2017-09-19 日本电气株式会社 疾病预测系统及方法
CN105868572A (zh) * 2016-04-22 2016-08-17 浙江大学 一种基于自编码器的心肌缺血位置的预测方法
CN106777703A (zh) * 2016-12-19 2017-05-31 杭州讯阳科技有限公司 一种公交乘客实时分析系统及其构建方法
CN106778014A (zh) * 2016-12-29 2017-05-31 浙江大学 一种基于循环神经网络的患病风险预测方法
CN107025386A (zh) * 2017-03-22 2017-08-08 杭州电子科技大学 一种基于深度学习算法进行基因关联分析的方法
CN107194508A (zh) * 2017-05-18 2017-09-22 成都数联易康科技有限公司 一种基于时间序列动态预测中短期区域儿科门诊人次的方法
CN107273685A (zh) * 2017-06-14 2017-10-20 广东工业大学 一种针对临床疾病的多模态大数据的数据分析方法
CN107516110A (zh) * 2017-08-22 2017-12-26 华南理工大学 一种基于集成卷积编码的医疗问答语义聚类方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DOMINICI F 等: "On the use of generalized additive models in time-series studies of air pollution and health", 《AMERICAN JOURNAL OF EPIDEMIOLOGY》 *
晓开提.依不拉音等: "乌鲁木齐大气污染与循环系统疾病日住院人数的时间序列分析", 《卫生研究》 *
李阳等: "空气污染物浓度与呼吸系统疾病的关系研究", 《环境污染与防治》 *
段振华等: "成都市空气PM2.5浓度与呼吸系统疾病门诊人次的时间序列研究", 《现代预防医学》 *
申俊龙等: "南京地区医疗服务需要与需求量预测模型比较", 《南京中医药大学学报(社会科学版)》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110010248A (zh) * 2019-04-17 2019-07-12 电子科技大学 一种基于代价敏感集成学习模型的再入院风险预测方法
CN110010248B (zh) * 2019-04-17 2023-01-10 电子科技大学 一种基于代价敏感集成学习模型的再入院风险预测方法
CN110837970A (zh) * 2019-11-11 2020-02-25 重庆亚德科技股份有限公司 一种区域卫生平台质控方法和系统
CN110706823A (zh) * 2019-11-15 2020-01-17 广州地理研究所 一种基于滞后分析和lstm的呼吸系统疾病发病人数预测方法
CN111681764A (zh) * 2020-06-11 2020-09-18 西南大学 基于bp神经网络的儿童呼吸系统疾病发病率预测方法
CN112086187A (zh) * 2020-09-16 2020-12-15 电子科技大学 一种基于复杂网络的疾病进展路径挖掘方法
CN112086187B (zh) * 2020-09-16 2022-04-19 电子科技大学 一种基于复杂网络的疾病进展路径挖掘方法
CN112102959A (zh) * 2020-11-02 2020-12-18 平安科技（深圳）有限公司 一种服务器、数据处理方法、装置及可读存储介质
CN113077896A (zh) * 2021-04-27 2021-07-06 郑州大学 一种基于gam的心脑血管疾病门诊量评价系统及其使用方法
CN113077896B (zh) * 2021-04-27 2023-05-26 郑州大学 一种基于gam的心脑血管疾病门诊量评价系统及其使用方法

Also Published As

Publication number Publication date
CN108846503B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN108846503A (zh) 一种基于神经网络的呼吸系统疾病患病人次动态预测方法
Giggs The distribution of schizophrenics in Nottingham
Girardello et al. Gaps in butterfly inventory data: A global analysis
Barnett Environmental statistics: methods and applications
Olaka et al. Projected climatic and hydrologic changes to Lake Victoria Basin Rivers under three RCP emission scenarios for 2015–2100 and impacts on the water sector
Chen et al. Study on the spatiotemporal evolution and influencing factors of urban resilience in the Yellow River basin
Gorai et al. Association between ambient air pollution and asthma prevalence in different population groups residing in eastern Texas, USA
Li et al. A review of studies involving the effects of climate change on the energy consumption for building heating and cooling
Xu et al. Understanding the spatial-temporal patterns and influential factors on air quality index: The case of north China
Ma et al. Identification of polycentric cities in China based on NPP-VIIRS nighttime light data
Zerouali et al. An enhanced innovative triangular trend analysis of rainfall based on a spectral approach
Fu et al. Cross-analysis of land and runoff variations in response to urbanization on basin, watershed, and city scales with/without green infrastructures
Zhao et al. Integrating Spatial Markov Chains and Geographically Weighted Regression-Based Cellular Automata to Simulate Urban Agglomeration Growth: A Case Study of the Guangdong–Hong Kong–Macao Greater Bay Area
Dong et al. Magnitude and frequency of temperature and precipitation extremes and the associated atmospheric circulation patterns in the Yellow River Basin (1960–2017), China
Humphrey et al. Putting co-exposures on equal footing: an ecological analysis of same-scale measures of air pollution and social factors on cardiovascular disease in New York City
Liu et al. Livelihood resilience of rural residents under natural disasters in China
Ehelepola et al. The correlation between dengue incidence and diurnal ranges of temperature of Colombo district, Sri Lanka 2005–2014
Jin et al. A semi-parametric geographically weighted regression approach to exploring driving factors of fractional vegetation cover: A case study of guangdong
Brown et al. Adding value to census data: public sector applications of the super profiles geodemographic typology
Lee et al. Analysis of public complaints to identify priority policy areas: Evidence from a Satellite City around Seoul
Song et al. Changes in the frequency of extreme cooling events in winter over China and their relationship with Arctic oscillation
Ren et al. Effects of Extreme Precipitation on Runoff and Sediment Yield in the Middle Reaches of the Yellow River
Zhou et al. GPS2space: An open-source python library for spatial measure extraction from GPS data
Davern et al. Superdiversity in Melbourne
Neugent et al. Overview of injuries associated with extreme weather events in New Hampshire, US, 2001–2009

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