CN109872819A - 一种基于重症监护检测项的急性肾损伤发病概率预测系统 - Google Patents
一种基于重症监护检测项的急性肾损伤发病概率预测系统 Download PDFInfo
- Publication number
- CN109872819A CN109872819A CN201910090580.0A CN201910090580A CN109872819A CN 109872819 A CN109872819 A CN 109872819A CN 201910090580 A CN201910090580 A CN 201910090580A CN 109872819 A CN109872819 A CN 109872819A
- Authority
- CN
- China
- Prior art keywords
- value
- feature
- data
- kidney injury
- acute kidney
- 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
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于重症监护检测项的急性肾损伤发病概率预测系统,从院端数据库获取病患前24小时内的多项检测项数据和涉及性别、年龄、体重的人口统计学信息,并对每一项数据按照时间顺序由远到近排列进行标记,按照分类人口统计学类数据、血肌酐、收缩压、尿量、血气分析类、体温心率和用药信息进行前后排列并完成相关特征提取,所述相关特征涉及年龄、性别、以及24小时内相关检测项的变化值、均值、标准差、最小值、最大值和最近值等数字特征共38项检测项数据,并结合人工智能机器学习算法实现提前24小时预测病患急性肾损伤的发病概率,为早期临床干预创造条件。
Description
技术领域
本发明涉及医疗监护技术领域,特别涉及一种基于重症监护检测项的急性肾损伤发病概率预测系统。
背景技术
急性肾损伤(Acute Kidney Injury,简称AKI)是指由多种原因引起的肾功能在短时间(数小时至数周)内突然下降而出现的临床综合征,将导致血清血尿素氮(blood ureanitrogen,BUN)、肌酐及其它正常情况下经肾脏排泄的代谢废物水平升高。急性肾损伤是临床各科室最常见的急危重症之一,具有较高的发病率和死亡率。
国外报道AKI住院患者发AKI发生率为0.37%~5.0%,重症监护室(IntensiveCare Unit)的发病率则为5.7%~26.7%,死亡率高达18.1%~69.6%;国内有关AKI的临床研究报道住院患者AKI的发病率为0.75%~7%,死亡率为9.27%~23.6%。由于AKI发病原因复杂,发病后进展快等原因,在发达国家有25%的AKI患者被漏诊;在发展中国家,这一数字只会更高。中国,每年至少有300万例急性肾损伤(AKI)患者,存活的病人中约有一半会进展为慢性肾脏病。
急性肾损伤的紧迫之处在于其可以引起危及生命的并发症,即使是在病情相对不太严重的患者中亦如此。急性肾损伤的主要并发症包括容量超负荷、高钾血症、代谢性酸中毒、低钙血症及高磷血症,病情严重的患者可能出现精神状态的改变。急性肾损伤一旦发生,不仅意味着,住院时间的延长,医疗费用的急剧上升,更意味肾实质上的损伤,甚至需要进行血液透析(属于连续肾脏替代疗法Continuous renal replacement therapy,简称CRRT)、换肾等,必将导致病人个人生活质量严重下降,并殃及家庭其他成员。如果提早预测到急性肾损伤的发生,及时采取干预措施,避免实质肾损伤发生,急性肾损伤患者的肾功能还是可以得到迅速恢复的。
急性肾损伤的发病机制复杂,但诊断主要依靠尿量、血肌酐(serum creatinine,Scr)和血尿素氮(blood urea nitrogen,BUN)等三个指标。根据改善全球肾脏病预后(Kidney Disease Improving Global Outcomes,KIDGO)标准,将急性肾损伤病情的发展分为三个等级,I级别、II级和III级。分别对应RIFLE分级的危险、损伤和衰竭。急性肾损伤病情的发展以血肌酐的上升幅度以及单位时间内尿量的减少幅度为依据,一旦血肌酐上升幅度或单位时间内尿量的下降幅度达到一定的标准,即可诊断为急性肾损伤病情发展到某一阶段。
目前在重症监护室,病人的生命特征指标,如心率、血压、以及肌酐、尿量等测量较为频繁,但是对于这些数据数据主要用来确定病人的病情,只要数据不要出现过大的异常都不会对患者做进一步的处理,最多测量的次数频繁或嘱咐看护护士多加关注。由此患者做了这些检查,检查出来的检测数据利用效果低和在病情判断上由比较大的延迟性,不能做到病情预测和提前预处理的效果。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种基于重症监护检测项的急性肾损伤发病概率预测系统,通过对患者临床数据进行适当的预处理后,提取有效特征,并结合人工智能机器学习算法,实现提前24小时、48小时、甚至72小时预测病人急性肾损伤的发病概率,为早期临床干预创造条件。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种基于重症监护检测项的急性肾损伤发病概率预测系统,所述预测系统包括:
原始数据获取单元,用于从院端数据库提取病患一定时间段内的多项数据,并对每一项数据按照时间顺序由远到近排列进行标记;
特征提取单元,按照分类人口统计学类数据、血肌酐、收缩压、尿量、血气分析类、体温心率和用药信息进行前后排列并完成相关特征提取,所述相关特征涉及一定时间段内的变化值、均值、标准差、最小值、最大值和最近值等数字特征,提取后的特征按照项目所属序号存入aki_feature[i],i=0,1,……;
特征插补单元,用于对缺失的特征进行插补处理;
预训练模型,其接收特征插补单元提取的特征向量、并基于机器学习算法预先训练完成,预训练模型用于对提取的特征向量进行分析输出0至1的预测发病概率。
具体地:所述血肌酐提取的相关特征包括上述一定时间段内肌酐值的变化值和均值2个特征向量。
具体地:所述尿量提取的相关特征涉及上述一定时间段内尿量测量的最小值、最大值、均值、标准差、斜度、皮尔逊中值斜度系数和尿量趋势等七个统计量,并利用病人体重对上述七个统计量进行归一化处理后作为急性肾损伤预测的7个特征向量。
具体地:所述血气分析类的相关特征依次包括:
白细胞总数在上述一定时间段内的均值和变化值2个特征向量;
血清氯、血清钙、血清钾、血清磷、pH值、动脉血氧分压在上述一定时间段内的均值以及最近测量值构成的12个特征向量;
血尿素氮在上述一定时间段内的均值、与血肌酐的比值的2个特征向量。
具体地:所述用药信息的相关特征包括利尿剂、造影剂、肾毒类药物的用药次数和用药总量构成的6个特征向量。
同时,基于上述的预测系统,可对应出相应的预测方法,具体步骤如下:
一、通过建模和机器学习算法进行训练,预先训练出预训练模型,在使用此预训练模型之前,会对此模型进行模型评估和参数调整以符合使用标准;
二、把上述构建的预训练模型应用在院端系统上,通过院端系统获取病患前24小时的多项数据,多项数据包括人口统计学类数据、血肌酐、收缩压、尿量、血气分析类、体温心率和用药信息7大类信息,并对每一项数据按照时间顺序由远到近排列进行标记;
三、对上述人口统计学类数据、血肌酐、收缩压、尿量、血气分析类、体温心率和用药信息7大类信息进行前后排列并完成相关特征提取,所述相关特征涉及一定时间段内的变化值、均值、标准差、最小值、最大值和最近值等数字特征,提取后的特征按照项目所属序号存入aki_feature[i],i=0,1,……;
四、对缺失的特征数据进行插补处理;
伍、通过预训练模型对提取的特征向量进行分析输出0至1的预测发病概率。
综上所述,本发明对比于现有技术的有益效果为:通过对人口统计学类数据、血肌酐、收缩压、尿量、血气分析类、体温心率和用药信息7大类信息进行前后排列、并完成相关特征提取,相关特征涉及一定时间段内的变化值、均值、标准差、最小值、最大值和最近值等数字特征,并结合人工智能机器学习算法,通过预先训练好的预训练模型输出预测结果,实现提前24小时、48小时、甚至72小时预测病人急性肾损伤的发病概率,为早期临床干预创造条件。
附图说明
图1为本申请发病概率预测系统1的组成框图。
具体实施方案
以下结合附图对发明作进一步详细说明。
一种基于重症监护检测项的急性肾损伤发病概率预测系统,参照图1所示,所述预测系统包括:
原始数据获取单元,用于从院端数据库提取病患一定时间段内的多项数据,并对每一项数据按照时间顺序由远到近排列进行标记;
特征提取单元,按照分类人口统计学类数据、血肌酐、收缩压、尿量、血气分析类、体温心率和用药信息进行前后排列并完成相关特征提取,所述相关特征涉及一定时间段内的变化值、均值、标准差、最小值、最大值和最近值等数字特征,提取后的特征按照项目所属序号存入aki_feature[i],i=0,1,……;
特征插补单元,用于对缺失的特征进行插补处理;
预训练模型,其接收特征插补单元提取的特征向量、并基于机器学习算法预先训练完成,预训练模型用于对提取的特征向量进行分析输出0至1的预测发病概率。
上述的一定时间段可以为24小时、48小时、72小时的一种,当应用其中一个时间段数据时,对应输出的预测结果也是对应时间段之后一段时间的预测结果,如使用的是病患前24小时的数据,预测的结果也是对应病患未来24小时的预测结果;在此实施例中,对于接下来的时间段均采用前24小时。
对于上述的预训练模型是基于机器学习算法预先训练好的,在构建预训练模型过程中会涉及建模和机器学习算法,同时会对模型评估和参数调整。
对于上述从院端数据库获取的数据和相应提取的特征,具体展开如下:
1.病人数据获取和整理
从数据库中提取病人前24小时的数据,并按时间顺序由远到近排列,标记如下:
(1)收缩压
systolic_pressure=data_sysp[i],i=0,1,……,N_sysp-1;
其中,N_sysp为病人前24小时收缩的测量次数。
(2)血肌酐
scr=data_scr[i],i=0,1,……,N_scr-1;
其中,N_scr为病人前24小时血肌酐的测量次数。
(3)尿量
urine=data_urine[i],i=0,1,……,N_urine-1;
time=t[i],0,1,……,N_urine-1;
其中,N_urine为病人前24小时尿量的测量次数,time[i]为第i次尿量测量时间。
(4)化验类数据
本发明化验类数据采用了血气分析数据,一次血气分析可以获得下面所有的化验项,即下式中i的取值均为0,1,……,N_ba-1,其中N_ba为过去24小时血气分析次数。
白细胞总数:whiteblood_cell=data_wb[i];
血清氯:blood_cl=data_cl[i];
血清钙:blood_ca=data_ca[i];;
血清钾:blood_k=data_k[i];
血清磷:blood_pho=data_pho[i];
血液pH值:blood_ph=data_ph[i];
动脉血氧分压:blood_paO2=data_pao2[i];
血尿素氮:blood_uri_ni=data_bun[i];
正铁血红蛋白:blood_methb=data_methb[i]。
(5)用药信息(3类)
本发明用到的用药信息包括三大类:利尿剂、造影剂和肾毒类药物。
利尿剂:
diuretic=data_diuretic[i]i=0,1,……,N_diuretic-1;
造影剂:
contrast_agent=data_ca[i]i=0,1,……,N_ca-1;
肾毒类药物:
nephrotoxin=data_nephro[i]i=0,1,……,N_nephro-1;
其中,N_diuretic、N_ca和N_nephro分别为过去24小时病人使用利尿剂、造影剂和肾毒类的次数,data_diuretic,data_ca和data_nephro为用药剂量;同一大类药物中的不同药物放在一起并不会对预测结果造成不良影响。
(6)人口统计学数据
年龄:age(单位周岁);
性别:gender=0/1,其中:0表示男性1表示女性;
体重:weight(单位Kg)。
(7)体温
temperature=data_temper[i],i=0,1,……,N_temper-1;
其中:N_temper为过去24小时体温测量次数。
(8)心率
heartrate=data_hr[i],i=0,1,……,N_hr-1;
其中:N_hr为过去24小时心率测量次数。
2.特征提取
提取后的特征存入aki_feature[i],i=0,1,……。
(1)人口统计学类数据相关提取
随着年龄的增大,病人患急性肾损伤的概率随之增加;而且男性和女性患者患急性肾损伤的概率不同,因此直接用年龄和性别作为特征。
aki_feature[0]=age;
aki_feature[1]=gender;
(2)血肌酐相关特征
提取24小时内肌酐值的变化以及均值作为特征,即:
aki_feature[2]=data_scr[N_scr-1]-data_scr[0];
如果24小时只有一个测量值,则aki_feature[2]=0。
(3)收缩压相关特征
提取24小时内收缩压的最小值以及标准差为特征,即:
aki_feature[4]=min{data_sysp[i]},i=0,1,……,N_sysp-1;
其中:
(4)尿量相关特征
提取24小时尿量多次测量的最小值、最大值、均值、标准差、斜度、皮尔逊中值斜度系数(Pearson’s median skewness coefficient)、尿量趋势等7个统计量,利用病人体重进行归一化处理后作为急性肾损伤预测的特征。定义24小内尿量数据的以下统计量:
均值:
方差(二阶中心矩):
三阶中心举矩:
中值(下式中data_sorted为data_urine排序后的结果):
计算尿量趋势用变量:
则:aki_feature[6]=min{data_urnie[i]}/weight;
aki_feature[7]=max{data_urnie[i]}/weight;
aki_feature[8]=mean;
(5)血气分析类相关特征
白细胞总数总数在过去24小时内的均值以及变化:
aki_feature[14]=data_wb[N_ba-1]-data_wb[0];
血清氯、血清钙、血清钾、血清磷、pH值、动脉血氧分压过去24小时内的均值以及最近测量值:
aki_feature[16]=data_cl[N_ba-1];
aki_feature[18]=data_ca[N_ba-1];
aki_feature[20]=data_k[N_ba-1];
aki_feature[22]=data_pho[N_ba-1];
aki_feature[24]=data_ph[N_ba-1];
aki_feature[26]=data_pao2[N_ba-1];
血尿素氮过去24小时的均值、与血肌酐的比值:
aki_feature[28]=data_bun[N_ba-1]/data_scr[N_scr-1];
正铁血红蛋白过去24小时内的均值:
(6)体温、心率相关特征
过去24小时心率最大值、均值、最近测量值与均值之差:
aki_feature[30]=max(data_hr);
aki_feature[32]=data_hr[N_hr-1]-aki_feature[29];
过去24小时体温的最大值:
aki_feature[33]=max(data_temper[i]);
(7)用药信息利尿剂、造影剂、肾毒类药物的用药次数和用药总量作为特征,即:
aki_feature[35]=N_diuretic;
aki_feature[37]=N_ca;
aki_feature[39]=N_nephro;
3.特征插补步骤
在实际应用工程中,病人的数据记录往往并不完整,缺少某一项或某几项数据的现象十分普遍。而机器学习算法通常不允许这种情况出现。因此需要对缺失的数据项进行插补处理。常见的插补方法有:
(1)前项插补法:即用该病人更早的测量数据用来代替缺失的数据;
(2)最近邻法(kNN法):根据某种距离度量选择出k个“邻居”,它们的均值用来代替缺失数据;
(3)均值(中值)插补法:用均值(中值)代替缺失值;
(4)预测模型:创建一个预测模型来估算用来替代缺失数据位置的值。
……
在机器学习中,插补是一个必要得过程,但并不是本专利关注的重点。而且,在检验项目以及由此提取的特征已经确定的情况下,不同插补方法得到的结果并不大。
4.建模和调参
和特征插补类似,急性肾损伤预测机器学习建模和调参也不是本专利关注的重点。有许多成熟的机器学习模型,如随机森林(RandomForest)、Adaboost、GBMDT、XGBoost,以及人工神经网络等可供使用,同样众多的模型调节工具箱可以用来调节模型参数。
以上所述仅是本发明的示范性实施方式,而非用于限制本发明的保护范围,本发明的保护范围由所附的权利要求确定。
Claims (5)
1.一种基于重症监护检测项的急性肾损伤发病概率预测系统,其特征在于,所述预测系统包括:
原始数据获取单元,用于从院端数据库提取病患一定时间段内的多项数据,并对每一项数据按照时间顺序由远到近排列进行标记;
特征提取单元,按照分类人口统计学类数据、血肌酐、收缩压、尿量、血气分析类、体温心率和用药信息进行前后排列并完成相关特征提取,所述相关特征涉及一定时间段内的变化值、均值、标准差、最小值、最大值和最近值等数字特征,提取后的特征按照项目所属序号存入aki_feature[i],i=0,1,……;
特征插补单元,用于对缺失的特征进行插补处理;
预训练模型,其接收特征插补单元提取的特征向量、并基于机器学习算法预先训练完成,预训练模型用于对提取的特征向量进行分析输出0至1的预测发病概率。
2.根据权利要求1所述的一种基于重症监护检测项的急性肾损伤发病概率预测系统,其特征在于,所述血肌酐提取的相关特征包括上述一定时间段内肌酐值的变化值和均值2个特征向量。
3.根据权利要求1所述的一种基于重症监护检测项的急性肾损伤发病概率预测系统,其特征在于,所述尿量提取的相关特征涉及上述一定时间段内尿量测量的最小值、最大值、均值、标准差、斜度、皮尔逊中值斜度系数和尿量趋势等七个统计量,并利用病人体重对上述七个统计量进行归一化处理后作为急性肾损伤预测的7个特征向量。
4.根据权利要求1所述的一种基于重症监护检测项的急性肾损伤发病概率预测系统,其特征在于,所述血气分析类的相关特征依次包括:
白细胞总数在上述一定时间段内的均值和变化值2个特征向量;
血清氯、血清钙、血清钾、血清磷、pH值、动脉血氧分压在上述一定时间段内的均值以及最近测量值构成的12个特征向量;
血尿素氮在上述一定时间段内的均值、与血肌酐的比值的2个特征向量。
5.根据权利要求1所述的一种基于重症监护检测项的急性肾损伤发病概率预测系统,其特征在于,所述用药信息的相关特征包括利尿剂、造影剂、肾毒类药物的用药次数和用药总量构成的6个特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910090580.0A CN109872819A (zh) | 2019-01-30 | 2019-01-30 | 一种基于重症监护检测项的急性肾损伤发病概率预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910090580.0A CN109872819A (zh) | 2019-01-30 | 2019-01-30 | 一种基于重症监护检测项的急性肾损伤发病概率预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109872819A true CN109872819A (zh) | 2019-06-11 |
Family
ID=66918329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910090580.0A Pending CN109872819A (zh) | 2019-01-30 | 2019-01-30 | 一种基于重症监护检测项的急性肾损伤发病概率预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872819A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827992A (zh) * | 2019-11-15 | 2020-02-21 | 袁洪 | 高血压术后急性肾损伤的术前预测方法 |
CN111261282A (zh) * | 2020-01-21 | 2020-06-09 | 南京航空航天大学 | 一种基于机器学习的脓毒症早期预测方法 |
CN111291131A (zh) * | 2019-12-25 | 2020-06-16 | 东软集团股份有限公司 | 数据处理方法、装置、存储介质及电子设备 |
CN111508604A (zh) * | 2020-04-20 | 2020-08-07 | 深圳大学 | 一种急性肾损伤患者死亡率预测方法、服务器及存储介质 |
CN111613334A (zh) * | 2020-06-01 | 2020-09-01 | 广东省心血管病研究所 | 主动脉弓置换术后急性肾损伤概率预测模型的建立方法 |
CN112908480A (zh) * | 2021-03-17 | 2021-06-04 | 上海电气集团股份有限公司 | 器官衰竭的预警方法、系统、电子设备及存储介质 |
CN113421654A (zh) * | 2021-07-12 | 2021-09-21 | 军事科学院系统工程研究院卫勤保障技术研究所 | 创伤后失血性休克动态早期预警深度学习系统 |
EP4071767A4 (en) * | 2020-01-09 | 2023-01-25 | TERUMO Kabushiki Kaisha | PREDICTIVE DISPLAY SYSTEM AND TREATMENT PROCEDURES |
CN117894466A (zh) * | 2024-03-15 | 2024-04-16 | 四川大学华西医院 | 基于循环神经网络的急性肾炎风险连续预测方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160120481A1 (en) * | 2014-10-30 | 2016-05-05 | International Business Machines Corporation | Active patient risk prediction |
CN106343976A (zh) * | 2016-09-14 | 2017-01-25 | 京东方科技集团股份有限公司 | 建立血压模型的方法和装置以及确定血压的方法和装置 |
CN106407693A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的乙肝预测方法和预测系统 |
CN108510082A (zh) * | 2018-03-27 | 2018-09-07 | 苏宁易购集团股份有限公司 | 对机器学习模型进行处理的方法及装置 |
-
2019
- 2019-01-30 CN CN201910090580.0A patent/CN109872819A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160120481A1 (en) * | 2014-10-30 | 2016-05-05 | International Business Machines Corporation | Active patient risk prediction |
CN106343976A (zh) * | 2016-09-14 | 2017-01-25 | 京东方科技集团股份有限公司 | 建立血压模型的方法和装置以及确定血压的方法和装置 |
CN106407693A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的乙肝预测方法和预测系统 |
CN108510082A (zh) * | 2018-03-27 | 2018-09-07 | 苏宁易购集团股份有限公司 | 对机器学习模型进行处理的方法及装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827992A (zh) * | 2019-11-15 | 2020-02-21 | 袁洪 | 高血压术后急性肾损伤的术前预测方法 |
CN110827992B (zh) * | 2019-11-15 | 2022-08-12 | 袁洪 | 高血压术后急性肾损伤的术前预测系统 |
CN111291131A (zh) * | 2019-12-25 | 2020-06-16 | 东软集团股份有限公司 | 数据处理方法、装置、存储介质及电子设备 |
EP4071767A4 (en) * | 2020-01-09 | 2023-01-25 | TERUMO Kabushiki Kaisha | PREDICTIVE DISPLAY SYSTEM AND TREATMENT PROCEDURES |
CN111261282A (zh) * | 2020-01-21 | 2020-06-09 | 南京航空航天大学 | 一种基于机器学习的脓毒症早期预测方法 |
CN111508604A (zh) * | 2020-04-20 | 2020-08-07 | 深圳大学 | 一种急性肾损伤患者死亡率预测方法、服务器及存储介质 |
CN111613334A (zh) * | 2020-06-01 | 2020-09-01 | 广东省心血管病研究所 | 主动脉弓置换术后急性肾损伤概率预测模型的建立方法 |
CN112908480A (zh) * | 2021-03-17 | 2021-06-04 | 上海电气集团股份有限公司 | 器官衰竭的预警方法、系统、电子设备及存储介质 |
CN113421654A (zh) * | 2021-07-12 | 2021-09-21 | 军事科学院系统工程研究院卫勤保障技术研究所 | 创伤后失血性休克动态早期预警深度学习系统 |
CN117894466A (zh) * | 2024-03-15 | 2024-04-16 | 四川大学华西医院 | 基于循环神经网络的急性肾炎风险连续预测方法和系统 |
CN117894466B (zh) * | 2024-03-15 | 2024-05-17 | 四川大学华西医院 | 基于循环神经网络的急性肾炎风险连续预测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872819A (zh) | 一种基于重症监护检测项的急性肾损伤发病概率预测系统 | |
Gravesteijn et al. | Machine learning algorithms performed no better than regression models for prognostication in traumatic brain injury | |
Butt et al. | Deep learning system to screen coronavirus disease 2019 pneumonia | |
CN104915561B (zh) | 疾病特征智能匹配方法 | |
CN111261282A (zh) | 一种基于机器学习的脓毒症早期预测方法 | |
WO2021190300A1 (zh) | Ai慢性肾病风险筛查建模方法、慢性肾病风险筛查方法及系统 | |
Silva et al. | Mortality assessment in intensive care units via adverse events using artificial neural networks | |
CN107785057B (zh) | 医疗数据处理方法、装置、存储介质和计算机设备 | |
CN110246577B (zh) | 一种基于人工智能辅助妊娠期糖尿病遗传风险预测的方法 | |
CN111951975B (zh) | 一种基于深度学习模型gpt-2的脓毒症早期预警方法 | |
CN108597601A (zh) | 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法 | |
CN110634571A (zh) | 肝移植术后预后预测系统 | |
US11735321B2 (en) | System for the prognostics of the chronic diseases after the medical examination based on the multi-label learning | |
Pal et al. | Deep learning techniques for prediction and diagnosis of diabetes mellitus | |
CN108682457A (zh) | 患者长期预后定量预测和干预系统及方法 | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
CN114023441A (zh) | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 | |
CN111063448A (zh) | 输血不良反应数据库建立方法、存储系统以及主动预警系统 | |
Zhang et al. | Nonlaboratory-based risk assessment model for type 2 diabetes mellitus screening in Chinese rural population: a joint bagging-boosting model | |
CN117476217B (zh) | 一种慢性心脏病病情发展趋势预测系统 | |
Reddy et al. | Discovering optimal algorithm to predict diabetic retinopathy using novel assessment methods | |
Shahmoradi et al. | Predicting risk of acute appendicitis: A comparison of artificial neural network and logistic regression models | |
CN106845140A (zh) | 一种基于尿比重和尿量监测的肾衰竭预警方法及系统 | |
Rathi et al. | Early Prediction of Diabetes Using Machine Learning Techniques | |
CN117612703A (zh) | 一种基于医学检验指标的糖尿病视网膜病变分类方法 |
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: 20190611 |
|
RJ01 | Rejection of invention patent application after publication |