CN110251122A - 一种冠心病风险指数的无损检测系统及方法 - Google Patents

一种冠心病风险指数的无损检测系统及方法 Download PDF

Info

Publication number
CN110251122A
CN110251122A CN201910509941.0A CN201910509941A CN110251122A CN 110251122 A CN110251122 A CN 110251122A CN 201910509941 A CN201910509941 A CN 201910509941A CN 110251122 A CN110251122 A CN 110251122A
Authority
CN
China
Prior art keywords
data
module
heart disease
coronary heart
coronary
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
Application number
CN201910509941.0A
Other languages
English (en)
Inventor
黄裕立
胡允兆
黎文生
卢剑华
吕伟标
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.)
Shunde Hospital Of Southern Medical University (the First People's Hospital Of Shunde)
Original Assignee
Shunde Hospital Of Southern Medical University (the First People's Hospital Of Shunde)
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 Shunde Hospital Of Southern Medical University (the First People's Hospital Of Shunde) filed Critical Shunde Hospital Of Southern Medical University (the First People's Hospital Of Shunde)
Priority to CN201910509941.0A priority Critical patent/CN110251122A/zh
Publication of CN110251122A publication Critical patent/CN110251122A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Epidemiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明属于疾病信息数据处理技术领域，公开一种冠心病风险指数的无损检测系统及方法，所述冠心病风险指数的无损检测系统包括：图像采集模块、心电数据采集模块、主控模块、分类模块、预测模型构建模块、风险评估模块、数据存储模块、显示模块。本发明通过分类模块基于优化核极限学习机及并行化的随机森林分类方法，该方法不仅可以支持海量冠心病医疗数据的处理，而且能够提高对冠心病医疗数据的分类性能；同时，通过预测模型构建模块利用已知的未来数据环境因素对患者的历史数据进行修正，建立患者属性与患者复发可能性关联的模型，确定患者属性与患者复发的最终状态的关系，并用此关系建立不同的算法的数据挖掘模型，得到预测模型，预测效果好。

Description

一种冠心病风险指数的无损检测系统及方法
技术领域
本发明属于疾病信息数据处理技术领域，尤其涉及一种冠心病风险指数的无损检测系统及方法。
背景技术
冠状动脉粥样硬化性心脏病是冠状动脉血管发生动脉粥样硬化病变而引起血管腔狭窄或阻塞，造成心肌缺血、缺氧或坏死而导致的心脏病，常常被称为“冠心病”。但是冠心病的范围可能更广泛，还包括炎症、栓塞等导致管腔狭窄或闭塞。世界卫生组织将冠心病分为5大类：无症状心肌缺血(隐匿性冠心病)、心绞痛、心肌梗死、缺血性心力衰竭(缺血性心脏病)和猝死5种临床类型。临床中常常分为稳定性冠心病和急性冠状动脉综合征。然而，现有冠心病检测过程中，对冠心病数据分类性能差、耗时长；同时，对患者冠心病复发预测效果差。
综上所述，现有技术存在的问题是：现有冠心病检测过程中，对冠心病数据分类性能差、耗时长；同时，对患者冠心病复发预测效果差。
发明内容
针对现有技术存在的问题，本发明提供了一种冠心病风险指数的无损检测系统及方法。
本发明是这样实现的，一种冠心病风险指数的无损检测方法，所述冠心病风险指数的无损检测方法包括：
第一步，图像采集利用医疗影像设备采集患者冠状动脉、心脏形态图像数据；心电数据采集利用心电设备采集患者心电数据信息；
第二步，主控模块利用分类程序对冠心病数据进行分类操作；利用建模程序构建冠心病复发预测模型；利用评估程序根据采集的数据评估患者冠心病风险状态；
所述冠心病复发预测模型的基本表达形式为：
λ(t)＝λ0(t)exp(β1x1+β2x2+…+βkxk)；
其中λ0(t)为冠心病基准风险函数，x1、x2...xk为协变量，βi为xi的回归系数；
所述冠心病复发预测模型对累计发生概率进行估计形式如下：
λj(t，Z)＝λ0(t)exp{βjZ}；
其中λ0(t)是时间J的冠心病部分分布基准风险，Z为协变量，βj为协变量的回归系数，exp{βjZ}为部分分布风险；其中β的偏似然估计为：
第三步，通过数据存储模块利用存储器存储采集的冠状动脉、心脏形态图像、心电数据；利用显示器显示采集的患者冠状动脉、心脏形态图像、心电数据信息。
进一步，所述冠心病风险指数的无损检测方法的冠心病数据分类方法如下：
(1)通过数据分类程序采用Bootstrap法从N个冠心病数据样本中有放回地随机抽取N个样本并从F个特征中随机选取f个特征组成新的样本集，f<<F；
(2)核极限学习机模型训练，采用径向基核函数与多项式核函数加权得到混合核函数作为极限学习机的核函数；
(3)使用冠心病数据训练子集训练得到混合核极限学习机模型之后，使用测试子集测试每个基分类器的分类性能并排序，剔除分类性能最差的基分类器。再结合粒子群优化算法优化核参数、正则化系数、混合核权重得到优化的新基分类器代替被删除的基分类器；
(4)再次使用测试集对新基分类器进行性能测试，遍历其他基分类器依次与新基分类器的分类性能进行比较，如果与新基分类器的分类性能差别超过规定阈值，则需要使用粒子群优化算法进行优化；
(5)经过数据的抽样、模型训练、模型优化之后，得到随机森林分类模型，使用相对多数投票的组合策略决定冠心病数据样本最后的分类结果。
进一步，所述冠心病风险指数的无损检测方法的预测模型的数据预测方法如下：
1)通过医疗数据采集设备采集患者数据集，所述患者数据集包括术后复发患者的属性数据、检查数据和望诊数据，所述望诊数据包括细节数据和综合数据；
2)对患者数据集进行数据处理，将望诊数据根据程度有无轻重进行分类量化，将字符型的属性数据进行分类量化，将数值型的检查数据进行标准化处理；
3)针对患者数据集中的数据属性根据处理后的数据采用统计假设检验法判断是否存在差异；对存在差异的数据属性计算重要程度指标并排序，筛选重要程度高的属性加入复发预测模型；
4)设置神经网络的网络参数，根据处理后的患者数据集作为样本，采用神经网络进行样本训练，建立复发预测模型。
本发明的另一目的在于提供一种基于所述冠心病风险指数的无损检测方法的冠心病风险指数的无损检测系统，所述冠心病风险指数的无损检测系统包括：
心电数据采集模块，与主控模块连接，用于通过心电设备采集患者心电数据信息；
主控模块，与图像采集模块、心电数据采集模块、分类模块、预测模型构建模块、风险评估模块、数据存储模块、显示模块连接，用于通过单片机控制各个模块正常工作；
分类模块，与主控模块连接，用于通过分类程序对冠心病数据进行分类操作；
预测模型构建模块，与主控模块连接，用于通过建模程序构建冠心病复发预测模型；
风险评估模块，与主控模块连接，用于通过评估程序根据采集的数据评估患者冠心病风险状态；
数据存储模块，与主控模块连接，用于通过存储器存储采集的冠状动脉、心脏形态图像、心电数据；
显示模块，与主控模块连接，用于通过显示器显示采集的患者冠状动脉、心脏形态图像、心电数据信息。
本发明的另一目的在于提供一种应用所述冠心病风险指数的无损检测方法的信息数据处理终端。
本发明的优点及积极效果为：本发明通过分类模块基于优化核极限学习机及并行化的随机森林分类方法，该方法不仅可以支持海量冠心病医疗数据的处理，而且能够提高对冠心病医疗数据的分类性能；采用混合核作为极限学习机的核函数来减少核类型对模型性能的影响；采用排序加粒子群优化的方式优化基分类器的分类性能并且减少不必要的时间开销；同时，通过预测模型构建模块利用已知的未来数据环境因素对患者的历史数据进行修正，建立患者属性与患者复发可能性关联的模型，确定患者属性与患者复发的最终状态的关系，并用此关系建立不同的算法的数据挖掘模型，得到一种基于多元望诊体系的冠心病介入术后复发预测模型，预测效果好。
附图说明
图1是本发明实施例提供的冠心病风险指数的无损检测系统结构示意图；
图中：1、图像采集模块；2、心电数据采集模块；3、主控模块；4、分类模块；5、预测模型构建模块；6、风险评估模块；7、数据存储模块；8、显示模块。
图2是本发明实施例提供的冠心病风险指数的无损检测方法流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明实施例提供的冠心病风险指数的无损检测系统包括：图像采集模块1、心电数据采集模块2、主控模块3、分类模块4、预测模型构建模块5、风险评估模块6、数据存储模块7、显示模块8。
图像采集模块1，与主控模块3连接，用于通过医疗影像设备采集患者冠状动脉、心脏形态图像数据。
心电数据采集模块2，与主控模块3连接，用于通过心电设备采集患者心电数据信息。
主控模块3，与图像采集模块1、心电数据采集模块2、分类模块4、预测模型构建模块5、风险评估模块6、数据存储模块7、显示模块8连接，用于通过单片机控制各个模块正常工作。
分类模块4，与主控模块3连接，用于通过分类程序对冠心病数据进行分类操作。
预测模型构建模块5，与主控模块3连接，用于通过建模程序构建冠心病复发预测模型。
风险评估模块6，与主控模块3连接，用于通过评估程序根据采集的数据评估患者冠心病风险状态。
数据存储模块7，与主控模块3连接，用于通过存储器存储采集的冠状动脉、心脏形态图像、心电数据。
显示模块8，与主控模块3连接，用于通过显示器显示采集的患者冠状动脉、心脏形态图像、心电数据信息。
如图2所示，本发明实施例提供的冠心病风险指数的无损检测方法包括以下步骤：
S201：图像采集利用医疗影像设备采集患者冠状动脉、心脏形态图像数据；心电数据采集利用心电设备采集患者心电数据信息；
S202：主控模块利用分类程序对冠心病数据进行分类操作；利用建模程序构建冠心病复发预测模型；利用评估程序根据采集的数据评估患者冠心病风险状态；
所述冠心病复发预测模型的基本表达形式为：
λ(t)＝λ0(t)exp(β1x1+β2x2+…+βkxk)；
其中λ0(t)为冠心病基准风险函数，x1、x2...xk为协变量，βi为xi的回归系数；
所述冠心病复发预测模型对累计发生概率进行估计形式如下：
λj(t，Z)＝λ0(t)exp{βjZ}；
其中λ0(t)是时间J的冠心病部分分布基准风险，Z为协变量，βj为协变量的回归系数，exp{βjZ}为部分分布风险；其中β的偏似然估计为：
S203：通过数据存储模块利用存储器存储采集的冠状动脉、心脏形态图像、心电数据；利用显示器显示采集的患者冠状动脉、心脏形态图像、心电数据信息。
在本发明的优选实施例中，本发明提供的分类模块4分类方法如下：
(1)通过数据分类程序采用Bootstrap法从N个冠心病数据样本中有放回地随机抽取N个样本并从F个特征中随机选取f个特征(f<<F)组成新的样本集；
(2)核极限学习机模型训练，采用径向基核函数与多项式核函数加权得到混合核函数作为极限学习机的核函数；
(3)使用冠心病数据训练子集训练得到混合核极限学习机模型之后，使用测试子集测试每个基分类器的分类性能并排序，剔除分类性能最差的基分类器。再结合粒子群优化算法优化核参数、正则化系数、混合核权重得到优化的新基分类器代替被删除的基分类器；
(4)再次使用测试集对新基分类器进行性能测试，遍历其他基分类器依次与新基分类器的分类性能进行比较，如果与新基分类器的分类性能差别超过规定阈值，则需要使用粒子群优化算法进行优化；
(5)经过数据的抽样、模型训练、模型优化之后，得到随机森林分类模型，使用相对多数投票的组合策略决定冠心病数据样本最后的分类结果。
在本发明的优选实施例中，本发明提供的预测模型构建模块5预测方法如下：
1)通过医疗数据采集设备采集患者数据集，所述患者数据集包括术后复发患者的属性数据、检查数据和望诊数据，所述望诊数据包括细节数据和综合数据；
2)对患者数据集进行数据处理，将望诊数据根据程度有无轻重进行分类量化，将字符型的属性数据进行分类量化，将数值型的检查数据进行标准化处理；
3)针对患者数据集中的数据属性根据处理后的数据采用统计假设检验法判断是否存在差异；对存在差异的数据属性计算重要程度指标并排序，筛选重要程度高的属性加入复发预测模型；
4)设置神经网络的网络参数，根据处理后的患者数据集作为样本，采用神经网络进行样本训练，建立复发预测模型。
本发明提供的属性数据包括患者姓名，性别，年龄，是否有高血压、糖尿病病史，是否有早发心血管病家族史，是否吸烟、饮酒，以及其他与冠心病介入术后复发相关的属性数据。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (5)

1.一种冠心病风险指数的无损检测方法，其特征在于，所述冠心病风险指数的无损检测方法包括：
第一步，图像采集利用医疗影像设备采集患者冠状动脉、心脏形态图像数据；心电数据采集利用心电设备采集患者心电数据信息；
第二步，主控模块利用分类程序对冠心病数据进行分类操作；利用建模程序构建冠心病复发预测模型；利用评估程序根据采集的数据评估患者冠心病风险状态；
所述冠心病复发预测模型的基本表达形式为：
λ(t)＝λ0(t)exp(β1x1+β2x2+...+βkxk)；
其中λ0(t)为冠心病基准风险函数，x1、x2...xk为协变量，βi为xi的回归系数；
所述冠心病复发预测模型对累计发生概率进行估计形式如下：
λj(t，Z)＝λ0(t)exp{βjZ}；
其中λ0(t)是时间J的冠心病部分分布基准风险，Z为协变量，βj为协变量的回归系数，exp{βjZ}为部分分布风险；其中β的偏似然估计为：
第三步，通过数据存储模块利用存储器存储采集的冠状动脉、心脏形态图像、心电数据；利用显示器显示采集的患者冠状动脉、心脏形态图像、心电数据信息。
2.如权利要求1所述的冠心病风险指数的无损检测方法，其特征在于，所述冠心病风险指数的无损检测方法的冠心病数据分类方法如下：
(1)通过数据分类程序采用Bootstrap法从N个冠心病数据样本中有放回地随机抽取N个样本并从F个特征中随机选取f个特征组成新的样本集，f<<F；
(2)核极限学习机模型训练，采用径向基核函数与多项式核函数加权得到混合核函数作为极限学习机的核函数；
(3)使用冠心病数据训练子集训练得到混合核极限学习机模型之后，使用测试子集测试每个基分类器的分类性能并排序，剔除分类性能最差的基分类器；再结合粒子群优化算法优化核参数、正则化系数、混合核权重得到优化的新基分类器代替被删除的基分类器；
(4)再次使用测试集对新基分类器进行性能测试，遍历其他基分类器依次与新基分类器的分类性能进行比较，如果与新基分类器的分类性能差别超过规定阈值，则需要使用粒子群优化算法进行优化；
(5)经过数据的抽样、模型训练、模型优化之后，得到随机森林分类模型，使用相对多数投票的组合策略决定冠心病数据样本最后的分类结果。
3.如权利要求1所述的冠心病风险指数的无损检测方法，其特征在于，所述冠心病风险指数的无损检测方法的预测模型的数据预测方法如下：
1)通过医疗数据采集设备采集患者数据集，所述患者数据集包括术后复发患者的属性数据、检查数据和望诊数据，所述望诊数据包括细节数据和综合数据；
2)对患者数据集进行数据处理，将望诊数据根据程度有无轻重进行分类量化，将字符型的属性数据进行分类量化，将数值型的检查数据进行标准化处理；
3)针对患者数据集中的数据属性根据处理后的数据采用统计假设检验法判断是否存在差异；对存在差异的数据属性计算重要程度指标并排序，筛选重要程度高的属性加入复发预测模型；
4)设置神经网络的网络参数，根据处理后的患者数据集作为样本，采用神经网络进行样本训练，建立复发预测模型。
4.一种基于权利要求1所述冠心病风险指数的无损检测方法的冠心病风险指数的无损检测系统，其特征在于，所述冠心病风险指数的无损检测系统包括：
心电数据采集模块，与主控模块连接，用于通过心电设备采集患者心电数据信息；
主控模块，与图像采集模块、心电数据采集模块、分类模块、预测模型构建模块、风险评估模块、数据存储模块、显示模块连接，用于通过单片机控制各个模块正常工作；
分类模块，与主控模块连接，用于通过分类程序对冠心病数据进行分类操作；
预测模型构建模块，与主控模块连接，用于通过建模程序构建冠心病复发预测模型；
风险评估模块，与主控模块连接，用于通过评估程序根据采集的数据评估患者冠心病风险状态；
数据存储模块，与主控模块连接，用于通过存储器存储采集的冠状动脉、心脏形态图像、心电数据；
显示模块，与主控模块连接，用于通过显示器显示采集的患者冠状动脉、心脏形态图像、心电数据信息。
5.一种应用权利要求1～3任意一项所述冠心病风险指数的无损检测方法的信息数据处理终端。
CN201910509941.0A 2019-06-13 2019-06-13 一种冠心病风险指数的无损检测系统及方法 Pending CN110251122A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910509941.0A CN110251122A (zh) 2019-06-13 2019-06-13 一种冠心病风险指数的无损检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910509941.0A CN110251122A (zh) 2019-06-13 2019-06-13 一种冠心病风险指数的无损检测系统及方法

Publications (1)

Publication Number Publication Date
CN110251122A true CN110251122A (zh) 2019-09-20

Family

ID=67917991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910509941.0A Pending CN110251122A (zh) 2019-06-13 2019-06-13 一种冠心病风险指数的无损检测系统及方法

Country Status (1)

Country Link
CN (1) CN110251122A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110755065A (zh) * 2019-10-14 2020-02-07 齐鲁工业大学 一种基于pso-elm算法的心电信号分类方法及系统
CN111430032A (zh) * 2020-03-20 2020-07-17 山东科技大学 基于apc模型与遗传聚类算法的老年人疾病建立模型方法
CN113128654A (zh) * 2021-05-06 2021-07-16 中山大学 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统
CN113993475A (zh) * 2020-05-20 2022-01-28 康坦手术股份有限公司 通过图像分析来预测病变复发的方法
TWI768624B (zh) * 2020-12-28 2022-06-21 財團法人國家衛生研究院 預測冠狀動脈的阻塞的電子裝置和方法
CN118280575A (zh) * 2024-05-30 2024-07-02 西北大学 一种基于多源数据处理的冠心病风险预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105748038A (zh) * 2016-02-01 2016-07-13 山东大学 一种冠心病风险指数的无损检测装置
CN108108762A (zh) * 2017-12-22 2018-06-01 北京工业大学 一种用于冠心病数据分类的基于核极限学习机及并行化的随机森林分类方法
CN109036551A (zh) * 2018-07-10 2018-12-18 北京心世纪医疗科技有限公司 一种冠状动脉生理学指标关系建立及应用方法、装置
CN109346179A (zh) * 2018-12-10 2019-02-15 陈阳 一种冠心病介入术后复发预测模型及其建模方法、装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105748038A (zh) * 2016-02-01 2016-07-13 山东大学 一种冠心病风险指数的无损检测装置
CN108108762A (zh) * 2017-12-22 2018-06-01 北京工业大学 一种用于冠心病数据分类的基于核极限学习机及并行化的随机森林分类方法
CN109036551A (zh) * 2018-07-10 2018-12-18 北京心世纪医疗科技有限公司 一种冠状动脉生理学指标关系建立及应用方法、装置
CN109346179A (zh) * 2018-12-10 2019-02-15 陈阳 一种冠心病介入术后复发预测模型及其建模方法、装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
许艺博: "冠心病发病风险预测模型及筛查模型研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110755065A (zh) * 2019-10-14 2020-02-07 齐鲁工业大学 一种基于pso-elm算法的心电信号分类方法及系统
CN111430032A (zh) * 2020-03-20 2020-07-17 山东科技大学 基于apc模型与遗传聚类算法的老年人疾病建立模型方法
CN111430032B (zh) * 2020-03-20 2022-03-18 山东科技大学 基于apc模型与遗传聚类算法的老年人疾病建立模型方法
CN113993475A (zh) * 2020-05-20 2022-01-28 康坦手术股份有限公司 通过图像分析来预测病变复发的方法
TWI768624B (zh) * 2020-12-28 2022-06-21 財團法人國家衛生研究院 預測冠狀動脈的阻塞的電子裝置和方法
CN114680899A (zh) * 2020-12-28 2022-07-01 财团法人卫生研究院 预测冠状动脉的阻塞的电子装置和方法
CN113128654A (zh) * 2021-05-06 2021-07-16 中山大学 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统
CN113128654B (zh) * 2021-05-06 2023-12-19 中山大学 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统
CN118280575A (zh) * 2024-05-30 2024-07-02 西北大学 一种基于多源数据处理的冠心病风险预测方法
CN118280575B (zh) * 2024-05-30 2024-08-13 西北大学 一种基于多源数据处理的冠心病风险预测方法

Similar Documents

Publication Publication Date Title
CN110251122A (zh) 一种冠心病风险指数的无损检测系统及方法
Jabbar et al. Intelligent heart disease prediction system using random forest and evolutionary approach
CN107785057B (zh) 医疗数据处理方法、装置、存储介质和计算机设备
JP2023526161A (ja) 人工知能（ａｉ）モデル選択のための方法
Wakili et al. Classification of breast cancer histopathological images using DenseNet and transfer learning
JP2023521648A (ja) 人工知能（ａｉ）モデルを訓練するためにデータをクリーニングするためのａｉ方法
CN112037925B (zh) 一种基于lstm算法的新发重大传染病预警方法
Pal et al. Data mining approach for coronary artery disease screening
JP7404581B1 (ja) 自己監督グラフクラスタリングに基づく慢性腎症亜型マイニングシステム
KR101955526B1 (ko) 혈액종합검사 소견 생성 방법 및 시스템
Sahoo et al. Heart failure prediction using machine learning techniques
CN112117003A (zh) 一种肿瘤风险等级划分方法、系统、终端以及存储介质
CN113113152A (zh) 针对新型冠状病毒肺炎的疾病数据集样本获取处理方法、系统、装置、处理器及其存储介质
Ullah et al. [Retracted] Early Detection and Diagnosis of Chronic Kidney Disease Based on Selected Predominant Features
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
CN116313158A (zh) 患者安全esb业务数据的监测方法、装置及系统
Zhang et al. An optimized deep learning based technique for grading and extraction of diabetic retinopathy severities
Rahman et al. Automatic classification of patients with myocardial infarction or myocarditis based only on clinical data: A quick response
Chola Raja et al. Deep learning-based feature selection and prediction system for autism spectrum disorder using a hybrid meta-heuristics approach
Mahmud et al. Early detection of Sepsis in critical patients using Random Forest Classifier
Mondal et al. Random Forest Based Diabetic Prediction Model on Highly Unbalanced Dataset
CN116129182A (zh) 一种基于知识蒸馏和近邻分类的多维度医疗图像分类方法
KR101141103B1 (ko) 임상진단 결정 규칙 생성 방법
Li et al. Using machine learning models to classify stroke risk level based on national screening data
CN114093503A (zh) 基于LightGBM优化的死亡率预测方法和系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190920