CN109686446A - 一种基于双机器学习的血液透析治疗方案分析方法及系统 - Google Patents
一种基于双机器学习的血液透析治疗方案分析方法及系统 Download PDFInfo
- Publication number
- CN109686446A CN109686446A CN201910059782.9A CN201910059782A CN109686446A CN 109686446 A CN109686446 A CN 109686446A CN 201910059782 A CN201910059782 A CN 201910059782A CN 109686446 A CN109686446 A CN 109686446A
- Authority
- CN
- China
- Prior art keywords
- training sample
- variable
- sample
- study
- training
- 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
- 230000009977 dual effect Effects 0.000 title claims abstract description 21
- 230000000322 hemodialysis Effects 0.000 title claims description 20
- 238000012549 training Methods 0.000 claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000007637 random forest analysis Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000012417 linear regression Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000001631 haemodialysis Methods 0.000 abstract description 15
- 239000008280 blood Substances 0.000 abstract description 5
- 210000004369 blood Anatomy 0.000 abstract description 5
- 238000000502 dialysis Methods 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000036772 blood pressure Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- External Artificial Organs (AREA)
Abstract
本发明公开了基于双机器学习的血液透析分析方法,其特征在于,该方法包括以下步骤:对汇总的血透中心的训练样本进行预处理;对预处理后的训练样本采用Hot‑Deck方法进行填补,对变量缺失百分比超过α的训练样本予以删除,对变量缺失百分比不超过α的训练样本进行变量填充,得到填充后的训练样本;对所述填充后的训练样本分别采用Lasso稀疏约束和RandomForest随机森林进行重要特征筛选,并对筛选出的两组训练样本进行合并,得到最终的训练样本;将最终的训练样本载入多元线性回归模型,不断迭代,得到最终预测模型;本发明结合人工智能中的机器学习和血液透析初诊方案的预测模型,从而减轻血透室临床医生负担,提高血透中心血液透析效率。
Description
技术领域
本发明涉及智能分析领域,具体涉及一种基于双机器人学习的血液透析治疗方案分析方法及系统。
背景技术
人工智能正在经历爆炸式增长,对多个行业影响的同时,也正对医疗健康行业的革新带来了冲击。“AI+医疗”成为热门领域,在学术界,医疗界和管理界都引起了极大的关注。但目前还没有较为成熟的方案实现临床医生经验建立血液透析复诊方案以及血液透析初诊方案的预测模型。
发明内容
发明目的:为了克服现有技术的不足,本发明提供一种基于双机器人学习的血液透析治疗方案分析方法,该方法可以解决血透室临床医生负担重、血透中心血液透析效率低的问题,还提供一种基于双机器人学习的血液透析治疗方案分析系统。
技术方案:本发明所述的基于双机器学习的血液透析治疗方案分析方法,该方法包括以下步骤:
(1)对汇总的血透中心的训练样本进行预处理,所述预处理包括对训练样本进行脱敏、清洗以及分类;
(2)对预处理后的训练样本采用Hot-Deck方法进行填补,对变量缺失百分比超过α的训练样本予以删除,对变量缺失百分比不超过α的训练样本进行变量填充,得到填充后的训练样本;
(3)对所述填充后的训练样本分别采用Lasso稀疏约束和RandomForest随机森林进行重要特征筛选,并对筛选出的两组训练样本进行合并,得到最终的训练样本;
(4)将最终的训练样本载入多元线性回归模型,不断迭代,得到最终预测模型;
(5)载入测试样本,得到用于复诊的指标值和复诊方案。
优选的,所述步骤(2)中,对变量缺失百分比不超过α的训练样本进行变量填充包括:
采用关联分析法寻找与缺失所述变量的训练样本最相似的其他训练样本,并将其他训练样本中的所述变量填补到所述缺失所述变量的训练样本中。
优选的,所述分类包括高危人群样本和正常复诊人群样本,所述正常复诊人群样本包括为稳定样本和波动样本。
优选的,所述步骤(3)中,重要特征即训练样本中相关度高的变量,所述相关度高为关联系数的绝对值在0.5到1之间。
优选的,所述步骤(4)中,最终预测模型的评估指标为基于拟合优度检验、受试者工作特征曲线、曲线下面积准确率、灵敏度和特异度。
另一方面,本发明还提供一种基于双机器学习的血液透析治疗方案分析系统,包括:
训练样本预处理模块,用于对汇总的血透中心的训练样本进行预处理,所述预处理包括对训练样本进行脱敏、清洗以及分类;
变量填补模块,用于对预处理后的训练样本采用Hot-Deck方法进行填补,对变量缺失百分比超过α的训练样本予以删除,对变量缺失百分比不超过α的训练样本进行变量填充,得到填充后的训练样本;
特征筛选模块,用于对所述填充后的训练样本分别采用Lasso稀疏约束和RandomForest随机森林进行重要特征筛选,并对筛选出的两组训练样本进行合并,得到最终的训练样本;
模型构建模块,用于将最终的训练样本载入多元线性回归模型,不断迭代,得到最终预测模型;
测试模块,用于载入测试样本,得到用于复诊的指标值和复诊方案。
优选的,所述变量填补模块中,对变量缺失百分比不超过α的训练样本进行变量填充包括:
采用关联分析法寻找与缺失所述变量的训练样本最相似的其他训练样本,并将其他训练样本中的所述变量填补到所述缺失所述变量的训练样本中。
优选的,所述分类包括高危人群样本和正常复诊人群样本,所述正常复诊人群样本包括为稳定样本和波动样本。
优选的,所述重要特征即训练样本中相关度高的变量,所述相关度高为关联系数的绝对值在0.5到1之间。
优选的,所述模型构建模块中,最终预测模型的评估指标为基于拟合优度检验、受试者工作特征曲线、曲线下面积准确率、灵敏度和特异度。
有益效果:本发明与现有技术相比,其显著优点是:本发明结合人工智能中的机器学习和临床医生经验建立血液透析复诊方案以及血液透析初诊方案的预测模型,从而减轻血透室临床医生负担,提高血透中心血液透析效率。
附图说明
图1为本发明所述的预测方法流程图;
图2为本发明所述的HotDeck流程示意图;
图3为采用两种机器学习算法筛选后的变量集以及最终训练样本。
具体实施方式
本发明通过建立预测模型来帮助血透室临床医生形成初诊和复诊方案,包括数据预处理,重要特征筛选,预测模型建立以及方案的形成。
如图1所示,首先,因各大血透中心的数据采集系统已进行统一标准化,并派遣专职人员负责在各中心按照由数据分析师和临床专业人员制定的方案对数据进行收集,采取独立双份录入,系统程序核查的方法,所以确保了数据的真实性,准确性和实用性。
训练样本数据汇总后,对数据库进行脱敏,清洗,分类及加工,基于以上数据预处理,数据库在格式,离散值方面得到了控制,但仍需进行进一步预处理,也就是数据推导加填补。
本发明的分类包括高危人群样本和正常复诊人群样本,所述正常复诊人群样本包括为稳定样本和波动样本。
其次,对预处理后的训练样本采用Hot-Deck方法进行填补,对变量缺失百分比超过α的训练样本予以删除,对变量缺失百分比不超过α的训练样本进行变量填充,得到填充后的训练样本。优选的,训练样本的变量包括体重变化量,血压,心率,睡眠质量,有无出血,有无发热。
对于缺失数据超过α的变量,予以剔除,对于一个缺失数据低于α的变量,α一般选50%。
热卡填充法的做法是:在数据库中找到一个与它最相似的对象,然后用这个相似对象的值来进行填充。不同的问题可能会选用不同的标准来对相似进行判定,优选的针对高血压的研究,如果血压数据缺失,用年龄,性别,体重作为相似标准,因为这些变量与血压数据高度相关。
如图2所示,当缺失数据低于50%时,该方法的基本步骤是:①根据数据集中某一分类变量将数据集分为若干层,将每一个层中没有缺失数据的行(row)定义为Yobs,而有缺失数据的行定义为Ymiss;②利用ABB法从Yobs中随机抽取某一行来替换缺失行,便得到一个完整的数据集,从而可以用标准的统计方法来分析该数据集。
例如,数据库有5000个样本,有2500个以上患者的变量A缺失,在进行变量筛选前予以剔除,但数据库仍然保留,以期望未来更多具有变量A的样本纳入数据库中。对于少于2500个患者缺失的变量B,首先确定相似的标准,一般是年龄,性别,体脂等,利用关联分析来找到和缺失变量B关联最大的变量,作为相似的标准。在确定相似标准后,找到与缺失样本最相近的具有变量B的样本,并填补上相似样本变量B的数值。
接着,对所述填充后的训练样本分别采用Lasso稀疏约束和RandomForest随机森林进行重要特征筛选,并对筛选出的两组训练样本进行合并,得到最终的训练样本。
重要特征即训练样本中相关度较高的变量,例如血压,心率等,一般关联系数取绝对值在0.5到1之间为相关度高的标准。
在数据库中,每个病人复诊前的每一项记录即为一个变量,每个变量都可能和最终的治疗方案相关。通过机器学习的方法去进行变量筛选,给出每个变量的重要性评分,提取出最重要的变量。因为血透病人属于高危人群,我们利用双机器学习进行变量筛选,以保证筛选出来变量的真实性和严谨性。
如果将所有变量放入模型中,会产生过拟合的情况。为了避免这种情况,所有变量需要进行重要特征筛选,最终将筛选出来的变量放入Lasso稀疏约束和RandomForest随机森林模型中进行建模。在分别利用两种机器学习的方法对数据集进行重要特征筛选后,得到训练样本中保留下的变量,取两组筛选出重要变量的并集,获得一个重要变量集合,并放入模型中建模。
如图3a所示为Lasso稀疏约束算法得到的变量集以及RandomForest随机森林得到的变量集,图3b为最终用于训练的变量集。例如预处理后的数据库还保留有200个变量,分别用两种机器学习算法对变量进行降维,即重要特征筛选,Lasso利用限制回归系数的惩罚方法筛选出40个变量,随机森林以基尼系数为标准给出每个变量的重要性评分,取前20%的变量即40个变量。取这两组40个变量并集之所以利用双机器学习进行变量筛选,是因为血透病人属于高危人群。为了保证筛选出来变量的真实性和严谨性,运用了惩罚并行取合集。
经过重要特征筛选后,将筛选出的变量放入多元线性回归模型,进行预测模型建模。多元线性回归模型采用条件向后法,做进一步模型内变量筛选。多元线性回归模型建成后,每个变量都会有相应的系数以及P值,当P值大于0.05的时候,说明这个变量在模型中的存在没有统计学意义,即此变量和复诊方案相关度不高,可以剔除。当P值小于0.05的时候,说明这个变量在模型中的存在有统计学意义,即此变量和复诊方案相关度高,不可以剔除,迭代以上步骤。当P值越接近于1,证明这个变量与复诊方案相关度越低。
初步模型建成后,需要进行模型验证,基于数据库中随机提取三分之二样本作为训练集,剩余样本作为测试集,利用训练集构建预测模型,测试集验证模型的拟合效能,同时采用独立数据集作为验证集,外部检查模型优劣。
对于模型的评估,基于拟合优度检验、受试者工作特征曲线(receiver operatingcharacteristic curve,ROC)及其曲线下面积(area under curve,AUC)、准确率、灵敏度和特异度等指标较为全面地评价模型的预测能力。
本发明所述的血透复诊方案最终模型为:
y=b0+b1x1+b2x2+…+bkxk+e,
其中,b0为常数项,b1,b2,…bk为模型内各个血透输入变量的回归系数,b1为x2,…xk固定时,x1每增加一个单位对y的效应,即x1对y的偏回归系数;同理b2为x1,…xk固定时,x2每增加一个单位对y的效应,即,x2对y的偏回归系数。当患者信息输入模型时,模型最终将返还出来一个最终值,即为复诊方案中被预测的指标。如复诊方案当中有3个指标,整个模块里将会设置3个模型,患者属性输入后,各变量分别进入自身存在模型,得出三个指标值,形成最终复诊方案。
本发明还提供一种基于双机器学习的血液透析分析系统,包括:
训练样本预处理模块,用于对汇总的血透中心的训练样本进行预处理,所述预处理包括对训练样本进行脱敏、清洗以及分类;
变量填补模块,用于对预处理后的训练样本采用Hot-Deck方法进行填补,对变量缺失百分比超过α的训练样本予以删除,对变量缺失百分比不超过α的训练样本进行变量填充,得到填充后的训练样本;
特征筛选模块,用于对所述填充后的训练样本分别采用Lasso稀疏约束和RandomForest随机森林进行重要特征筛选,并对筛选出的两组训练样本进行合并,得到最终的训练样本;
模型构建模块,用于将最终的训练样本载入多元线性回归模型,不断迭代,得到最终预测模型;
测试模块,用于载入测试样本,得到用于复诊的指标值和复诊方案。
优选的,所述变量填补模块中,对变量缺失百分比不超过α的训练样本进行变量填充包括:
采用关联分析法寻找与缺失所述变量的训练样本最相似的其他训练样本,并将其他训练样本中的所述变量填补到所述缺失所述变量的训练样本中
在其中一个实施例中,所述模型构建模块中,最终预测模型的评估指标为基于拟合优度检验、受试者工作特征曲线、曲线下面积准确率、灵敏度和特异度。
Claims (10)
1.一种基于双机器学习的血液透析治疗方案分析方法,其特征在于,该方法包括以下步骤:
(1)对汇总的血透中心的训练样本进行预处理,所述预处理包括对训练样本进行脱敏、清洗以及分类;
(2)对预处理后的训练样本采用Hot-Deck方法进行填补,对变量缺失百分比超过α的训练样本予以删除,对变量缺失百分比不超过α的训练样本进行变量填充,得到填充后的训练样本;
(3)对所述填充后的训练样本分别采用Lasso稀疏约束和RandomForest随机森林进行重要特征筛选,并对筛选出的两组训练样本进行合并,得到最终的训练样本;
(4)将最终的训练样本载入多元线性回归模型,不断迭代,得到最终预测模型;
(5)载入测试样本,得到用于复诊的指标值和复诊方案。
2.根据权利要求1所述的基于双机器学习的血液透析治疗方案分析方法,其特征在于,所述步骤(2)中,对变量缺失百分比不超过α的训练样本进行变量填充包括:
采用关联分析法寻找与缺失所述变量的训练样本最相似的其他训练样本,并将其他训练样本中的所述变量填补到所述缺失所述变量的训练样本中。
3.根据权利要求1所述的基于双机器学习的血液透析治疗方案分析方法,其特征在于,所述分类包括高危人群样本和正常复诊人群样本,所述正常复诊人群样本包括为稳定样本和波动样本。
4.根据权利要求1所述的基于双机器学习的血液透析治疗方案分析方法,其特征在于,所述步骤(3)中,重要特征即训练样本中相关度高的变量,所述相关度高为关联系数的绝对值在0.5到1之间。
5.根据权利要求1所述的基于双机器学习的血液透析治疗方案分析方法,其特征在于,所述步骤(4)中,最终预测模型的评估指标为基于拟合优度检验、受试者工作特征曲线、曲线下面积准确率、灵敏度和特异度。
6.一种根据权利要求1-5任一项所述的基于双机器学习的血液透析治疗方案分析方法实现的系统,其特征在于,包括:
训练样本预处理模块,用于对汇总的血透中心的训练样本进行预处理,所述预处理包括对训练样本进行脱敏、清洗以及分类;
变量填补模块,用于对预处理后的训练样本采用Hot-Deck方法进行填补,对变量缺失百分比超过α的训练样本予以删除,对变量缺失百分比不超过α的训练样本进行变量填充,得到填充后的训练样本;
特征筛选模块,用于对所述填充后的训练样本分别采用Lasso稀疏约束和RandomForest随机森林进行重要特征筛选,并对筛选出的两组训练样本进行合并,得到最终的训练样本;
模型构建模块,用于将最终的训练样本载入多元线性回归模型,不断迭代,得到最终预测模型;
测试模块,用于载入测试样本,得到用于复诊的指标值和复诊方案。
7.根据权利要求6所述的基于双机器学习的血液透析治疗方案分析系统,其特征在于,所述变量填补模块中,对变量缺失百分比不超过α的训练样本进行变量填充包括:
采用关联分析法寻找与缺失所述变量的训练样本最相似的其他训练样本,并将其他训练样本中的所述变量填补到所述缺失所述变量的训练样本中。
8.根据权利要求6所述的基于双机器学习的血液透析治疗方案分析系统,其特征在于,所述分类包括高危人群样本和正常复诊人群样本,所述正常复诊人群样本包括为稳定样本和波动样本。
9.根据权利要求6所述的基于双机器学习的血液透析治疗方案分析系统,其特征在于,所述重要特征即训练样本中相关度高的变量,所述相关度高为关联系数的绝对值在0.5到1之间。
10.根据权利要求6所述的基于双机器学习的血液透析治疗方案分析系统,其特征在于,所述模型构建模块中,最终预测模型的评估指标为基于拟合优度检验、受试者工作特征曲线、曲线下面积准确率、灵敏度和特异度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910059782.9A CN109686446A (zh) | 2019-01-22 | 2019-01-22 | 一种基于双机器学习的血液透析治疗方案分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910059782.9A CN109686446A (zh) | 2019-01-22 | 2019-01-22 | 一种基于双机器学习的血液透析治疗方案分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109686446A true CN109686446A (zh) | 2019-04-26 |
Family
ID=66192510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910059782.9A Pending CN109686446A (zh) | 2019-01-22 | 2019-01-22 | 一种基于双机器学习的血液透析治疗方案分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109686446A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113349810A (zh) * | 2021-05-27 | 2021-09-07 | 北京安德医智科技有限公司 | 脑出血病灶识别及血肿扩大预测方法及装置 |
CN114883007A (zh) * | 2022-07-12 | 2022-08-09 | 南昌大学第一附属医院 | 基于大数据的数据模型构建方法、系统、介质及计算机 |
CN115579108A (zh) * | 2022-11-14 | 2023-01-06 | 肾泰网健康科技(南京)有限公司 | Ai血透方案模型建模方法及生成血透方案的方法 |
CN117253584A (zh) * | 2023-02-14 | 2023-12-19 | 南雄市民望医疗有限公司 | 一种基于血液透析成分检测的透析时间预测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011088098A1 (en) * | 2010-01-12 | 2011-07-21 | Statistical Innovations, Inc. | Computer-implemented models predicting outcome variables and characterizing more fundamental underlying conditions |
CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
CN109117864A (zh) * | 2018-07-13 | 2019-01-01 | 华南理工大学 | 基于异构特征融合的冠心病风险预测方法、模型及系统 |
-
2019
- 2019-01-22 CN CN201910059782.9A patent/CN109686446A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011088098A1 (en) * | 2010-01-12 | 2011-07-21 | Statistical Innovations, Inc. | Computer-implemented models predicting outcome variables and characterizing more fundamental underlying conditions |
CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
CN109117864A (zh) * | 2018-07-13 | 2019-01-01 | 华南理工大学 | 基于异构特征融合的冠心病风险预测方法、模型及系统 |
Non-Patent Citations (4)
Title |
---|
关欣 等: "《基于粗糙集理论的雷达辐射源信号识别》", 31 March 2015, 国防工业出版社 * |
张萌等: "基于密度峰值聚类的随机森林室内定位", 《计算机工程与设计》 * |
李瑶琦等: "基于Stacking集成学习的急诊患者到达预测", 《工业工程与管理》 * |
潘浩等: "深度学习在肺癌患者生存预测中的应用研究", 《计算机工程与应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113349810A (zh) * | 2021-05-27 | 2021-09-07 | 北京安德医智科技有限公司 | 脑出血病灶识别及血肿扩大预测方法及装置 |
CN114883007A (zh) * | 2022-07-12 | 2022-08-09 | 南昌大学第一附属医院 | 基于大数据的数据模型构建方法、系统、介质及计算机 |
CN115579108A (zh) * | 2022-11-14 | 2023-01-06 | 肾泰网健康科技(南京)有限公司 | Ai血透方案模型建模方法及生成血透方案的方法 |
CN115579108B (zh) * | 2022-11-14 | 2023-04-07 | 肾泰网健康科技(南京)有限公司 | Ai血透方案模型建模方法及生成血透方案的方法 |
CN117253584A (zh) * | 2023-02-14 | 2023-12-19 | 南雄市民望医疗有限公司 | 一种基于血液透析成分检测的透析时间预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109686446A (zh) | 一种基于双机器学习的血液透析治疗方案分析方法及系统 | |
US6745156B2 (en) | Petroleum exploration and prediction apparatus and method | |
CN109620152B (zh) | 一种基于MutiFacolLoss-Densenet的心电信号分类方法 | |
CN109620211A (zh) | 一种基于深度学习的智能化异常心电辅助诊断方法 | |
CN106805965A (zh) | 一种心电信号分类方法及装置 | |
CN107822622A (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
CN107145878A (zh) | 基于深度学习的老人异常行为检测方法 | |
CN109256212A (zh) | 骨健康评估模型构建方法、装置、设备、介质及评估方法 | |
CN110051324A (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
CN109508644A (zh) | 基于深度视频数据分析的面瘫等级评估系统 | |
CN108090509A (zh) | 一种数据长度自适应的心电图分类方法 | |
CN108256453A (zh) | 一种基于一维ecg信号提取二维cnn特征的方法 | |
CN114999237B (zh) | 一种智慧教育互动教学方法 | |
CN108304887A (zh) | 基于少数类样本合成的朴素贝叶斯数据处理系统及方法 | |
WO2023116736A1 (zh) | 一种基于视频数据的抽动症辅助筛查系统 | |
CN111248859A (zh) | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 | |
CN109273093A (zh) | 一种川崎病风险评估模型的构建方法及构建系统 | |
CN111370126A (zh) | 基于惩罚集成模型的icu死亡率预测方法及系统 | |
CN117649941A (zh) | 一种骨科创伤后失血性休克动态早期预警系统 | |
CN109243604A (zh) | 一种基于神经网络算法的川崎病风险评估模型的构建方法及构建系统 | |
CN110473631B (zh) | 基于真实世界研究的智能睡眠监测方法和系统 | |
CN117116477A (zh) | 基于随机森林和XGBoost的前列腺癌患病风险预测模型的构建方法及系统 | |
CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
CN117064333A (zh) | 一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置 | |
CN117116475A (zh) | 缺血性脑卒中的风险预测方法、系统、终端及存储介质 |
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: 20190426 |
|
RJ01 | Rejection of invention patent application after publication |