CN110491511B - 一种基于围术期危险预警的多模型互补增强机器学习方法 - Google Patents
一种基于围术期危险预警的多模型互补增强机器学习方法 Download PDFInfo
- Publication number
- CN110491511B CN110491511B CN201910669548.8A CN201910669548A CN110491511B CN 110491511 B CN110491511 B CN 110491511B CN 201910669548 A CN201910669548 A CN 201910669548A CN 110491511 B CN110491511 B CN 110491511B
- Authority
- CN
- China
- Prior art keywords
- model
- early warning
- patient
- algorithms
- machine learning
- 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.)
- Active
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 14
- 230000000295 complement effect Effects 0.000 title claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000007635 classification algorithm Methods 0.000 claims abstract description 9
- 208000024891 symptom Diseases 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000003068 static effect Effects 0.000 claims description 18
- 230000008602 contraction Effects 0.000 claims description 12
- 208000035965 Postoperative Complications Diseases 0.000 claims description 8
- 229940079593 drug Drugs 0.000 claims description 7
- 239000003814 drug Substances 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 208000032984 Intraoperative Complications Diseases 0.000 claims description 4
- 206010062300 Procedural hypotension Diseases 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 208000009304 Acute Kidney Injury Diseases 0.000 claims description 3
- 206010057765 Procedural complication Diseases 0.000 claims description 3
- 206010047249 Venous thrombosis Diseases 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 230000002526 effect on cardiovascular system Effects 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000000653 nervous system Anatomy 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 208000033626 Renal failure acute Diseases 0.000 claims description 2
- 201000011040 acute kidney failure Diseases 0.000 claims description 2
- 230000002787 reinforcement Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 14
- 230000007547 defect Effects 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 abstract description 4
- 238000013210 evaluation model Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 206010062886 Procedural hypertension Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000013610 patient sample Substances 0.000 description 2
- 206010058046 Post procedural complication Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于围术期危险预警的多模型互补增强机器学习方法，具体步骤如下：S1：对模型所采用的变量，尤其是术中生命监护仪相关信息进行处理；S2：选取9个常用的分类算法，作为我们模型的子算法，以提高整个模型的稳定性和精确度；S3：利用S2中所得数组中的每一层作为ANN算法的输入信号，利用ANN算法对各层信号进行分类，判别病人是否会出现相应的症状，建立预警模型。本方法独创性的采用ANN算法来融合其他多种算法，用于融合的ANN模型的输入不再是传统的原始变量，而是经过一系列子算法对原始变量经过初步分类预测后的输出值，旨在取得一个全局稳健的预测评估模型，弥补了传统方法的不足。
Description
技术领域
本发明涉及智能医疗技术领域，具体为一种基于围术期危险预警的多模型互补增强机器学习方法。
背景技术
当前特征提取和特征选择、人工神经网络、支持向量机、随机森林、XGboost等机器学习领域发展态势良好并应用于各服务业。目前主要基于患者的局部信息对围手术期单一种类的危险并发症进行预测，预测准确度不高，且以往模型在进行迁移时效果很不好，例如，一个预测术中低血压的模型，在预测术中高血压时往往不具备良好的表现。针对围手术期的预警，现有模型主要分为两类：第一种是利用病人手术前的基本信息、既往病史、检验检查报告、用药记录等数据进行评估预警。第二种是利用病人术中心电图信息来预测例如术中低血压等危险症状。以上方法都只运用了病人的片面数据，无法充分利用围手术期所能收集到的病人全量数据，因此对于病人术中术后并发症的预测准确度不高。例如，第一种方法在预测病人状态时，没有将病人术中生命监护仪中的诸如血压、心电等信息输入模型，因而只能给出一个基于术前静态数据的危险并发症评估。
同时，因为两种方法所用的变量种类完全不同，将两种方法进行组合也是困难的。本发明通过使用人工神经网络将不同算法的输出进行有机整合，将上述的两大类方法进行了有机的融合，形成一个全新的预测围手术期并发症的模型。通过整合不同模型的输出，本方法能充分利用患者全量数据，克服了原有方法只能利用部分患者数据做出某种特定并发症预测的不足，对患者可能出现的术中术后主要并发症进行一个静态加动态的综合评估预警，并且具有良好的准确性和稳定性。
发明内容
本发明的目的在于提供一种基于围术期危险预警的多模型互补增强机器学习方法，该基于围术期危险预警的多模型互补增强机器学习方法具体步骤如下：
S1：对模型所采用的变量，尤其是术中生命监护仪相关信息进行处理；
S2：选取9个常用的分类算法，作为模型的子算法，以提高整个模型的稳定性和精确度；
S2中所述9个分类算法分别是：逻辑回归、XGboost、随机森林、SVM、ANN、KNN、朴素贝叶斯、GBDT、LightGBM；
S3：利用S2中所得数组中的每一层作为ANN算法的输入信号，利用ANN算法对各层信号进行分类，判别病人是否会出现相应的症状，建立预警模型。
优选的，S1中所述变量包括患者静态数据、患者术中生命监护仪的动态数据；患者静态数据包括患者基本信息、患者并存疾病、入院日药物、手术类型、术前实验结果、术中药物，患者术中生命监护仪的动态数据包括心电图、脑电波图。
优选的，患者静态数据，若为连续型变量则经单位化后直接输入模型，若为离散型变量则转化为“0”、“1”编码后输入模型；患者术中生命监护仪的动态数据，其波形予以拆分并得到收缩阶段、舒张阶段、收缩上升阶段、收缩衰减阶段以及总衰减阶段五个阶段，提取各个阶段的图形学特征作为相应的模型输入。
优选的，模型要同时预测多种术中及术后并发症，针对一个样本量为n的样本，若预测总共p种并发症，k个子算法的输出结果为一个n·k·p数组，所采用的各种分类算法均采用grid-search以及五折cross validation进行参数调教。
优选的，一个ANN算法为一个将只含有“0”和“1”的向量，映射为“0”或“1”二分类的映射。
优选的，ANN算法中神经网络的输入层神经元个数等于在S2中所采用的子算法个数k。
优选的，预警模型包括对术中低血压、急性肾损伤、静脉血栓、心血管并发症、神经系统并发症、术中心率失常进行监测预警。
与现有技术相比，本发明的有益效果是：本方法独创性的采用ANN算法来融合其他多种算法，用于融合的ANN模型的输入不再是传统的原始变量，而是经过一系列子算法对原始变量经过初步分类预测后的输出值，旨在取得一个全局稳健的预测评估模型，弥补了传统方法的不足。融合后的预测模型具有更加稳定的表现力，并且可以同时预测多种术中术后并发症。
附图说明
图1为本发明的部分界面示意图；
图2为心电图的阶段示意图；
图3为n个病人样本的神经网络示意图；
图4为本发明的流程示意图；
图5为本发明预警模型示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
一种基于围术期危险预警的多模型互补增强机器学习平台，主要包括以下步骤：
S1：对模型所采用的变量，尤其是术中生命监护仪相关信息进行处理；
S2：选取9个常用的分类算法，作为我们模型的子算法，以提高整个模型的稳定性和精确度；
S3：利用S2中所得数组中的每一层作为ANN算法的输入信号，利用ANN算法对各层信号进行分类，判别病人是否会出现相应的症状，建立预警模型。
S1中所述变量包括患者静态数据、患者术中生命监护仪的动态数据；所述患者静态数据包括患者基本信息、患者并存疾病、入院日药物、手术类型、术前实验结果、术中药物，所述患者术中生命监护仪的动态数据包括心电图、脑电波图，具体以实际监测结果为根据。
所述的患者静态数据，若为连续型变量则经单位化后直接输入模型，若为离散型变量则转化为“0”、“1”编码后输入模型；所述的患者术中生命监护仪的动态数据，其波形予以拆分并得到收缩阶段、舒张阶段、收缩上升阶段、收缩衰减阶段以及总衰减阶段五个阶段，提取各个阶段的图形学特征作为相应的模型输入。
如心电图图2所示，我们基于一个完整的心动周期的波形予以拆分并得到收缩阶段、舒张阶段、收缩上升阶段、收缩衰减阶段以及总衰减阶段五个阶段。随后提取各个阶段的图形学特征作为相应的模型输入，具体流程如图2所示，图中数字1到5依次表示收缩阶段1、舒张阶段2、收缩上升阶段3、收缩衰减阶段4以及总衰减阶段5。
记病人的动态数据经过拆分以及特征提取后所得的数据为x2。那么病人的全量数据即为x＝(x1，x2)。
S2中所述9个子算法分别是：逻辑回归、XGboost、随机森林、SVM、ANN、KNN、朴素贝叶斯、GBDT、LightGBM，并经过进一步的融合组成。这些算法都是针对分类变量进行建模预测的成熟算法，在临床分类预测上已经被广泛采用。具体算法组成可以由实际数据进行适当修改和添加以达到最优预测性能。
假设我们采用了k个子算法，分别记为f1(x),···,fk(x)，其中x为收集到的患者全量数据。每一个子算法实现了一个映射，即
即“0”代表患者没有发生相关并发症,“1”代表患者发生相关并发症。从而，针对一个样本量为n的样本，k个子算法的输出为：
其中j代表第j个要预测的并发症。由于我们的模型要同时预测多种术中及术后并发症，假设我们要预测总共p种并发症，那么基于所有并发症，k个子算法的输出结果为一个n·k·p数组，如图5所示，其中的每一层都是基于一个并发症的子算法输出。本步所采用的各种分类算法均采用grid-search以及五折cross validation进行参数调教。
记第二步中所得结果为fij(x),i＝1,···,k；j＝1,···,p,我们利用第二步中所得数组中的每一层作为ANN算法的输入信号,每一层都对应一种术中或术后并发症,利用ANN算法对各层信号进行分类，即判别病人是否会出现相应的症状。令一个ANN算法为一个将只含有“0”和“1”的向量例如(1 0···1)映射为“0”或“1”二分类的映射，如下所示：
其中g表示一个ANN映射。对于某一个并发症的全部n个病人样本，如图3所示，神经网络的输入层神经元个数等于我们在第二步中所采用的子算法个数k，对于矩阵中的每一行，假设我们已知真实输出值为Tij，逐行输入g后，实际输出值为g(fij(x))，模型的参数调优基于预先设定损失函数为|Tij-g(fij(x))|,i＝1,···,k；j＝1,···,p。
如图4所示，所述的预警模型包括对术中低血压、急性肾损伤、静脉血栓、心血管并发症、神经系统并发症、术中心率失常进行监测预警。
针对围术期相关预警的重要性，本方法独创性的采用ANN算法来融合其他多种算法，用于融合的ANN模型的输入不再是传统的原始变量，而是经过一系列子算法对原始变量经过初步分类预测后的输出值，旨在取得一个全局稳健的预测评估模型，弥补了传统方法的不足。融合后的预测模型具有更加稳定的表现力，并且可以同时预测多种术中术后并发症。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于围术期危险预警的多模型互补增强机器学习方法，其特征在于：该基于围术期危险预警的多模型互补增强机器学习方法具体步骤如下：
S1：对模型所采用的变量进行处理，所述变量包括患者静态数据、患者术中生命监护仪的动态数据；
S2：选取9个常用的分类算法，作为模型的子算法，以提高整个模型的稳定性和精确度；
S2中所述9个分类算法分别是：逻辑回归、XGboost、随机森林、SVM、ANN、KNN、朴素贝叶斯、GBDT、LightGBM；模型要同时预测多种术中及术后并发症，针对一个样本量为n的样本，若预测总共p种并发症，k 个子算法的输出结果为一个n•k•p 数组，所采用的各种分类算法均采用grid-search 以及五折cross validation 进行参数调教；
S3：利用S2中所得数组中的每一层作为ANN算法的输入信号，利用ANN算法对各层信号进行分类，判别病人是否会出现相应的症状，建立预警模型。
2.根据权利要求1所述的一种基于围术期危险预警的多模型互补增强机器学习方法，其特征在于：所述患者静态数据包括患者基本信息、患者并存疾病、入院日药物、手术类型、术前实验结果、术中药物，患者术中生命监护仪的动态数据包括心电图、脑电波图。
3.根据权利要求2所述的一种基于围术期危险预警的多模型互补增强机器学习方法，其特征在于：患者静态数据，若为连续型变量则经单位化后直接输入模型，若为离散型变量则转化为“0”、“1”编码后输入模型；患者术中生命监护仪的动态数据，其波形予以拆分并得到收缩阶段、舒张阶段、收缩上升阶段、收缩衰减阶段以及总衰减阶段五个阶段，提取各个阶段的图形学特征作为相应的模型输入。
4.根据权利要求1所述的一种基于围术期危险预警的多模型互补增强机器学习方法，其特征在于：一个ANN算法为一个将只含有“0”和“1”的向量，映射为“0”或“1”二分类的映射。
5.根据权利要求1所述的一种基于围术期危险预警的多模型互补增强机器学习方法，其特征在于：ANN算法中神经网络的输入层神经元个数等于在S2中所采用的子算法个数k。
6.根据权利要求1所述的一种基于围术期危险预警的多模型互补增强机器学习方法，其特征在于：预警模型包括对术中低血压、急性肾损伤、静脉血栓、心血管并发症、神经系统并发症、术中心率失常进行监测预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910669548.8A CN110491511B (zh) | 2019-07-24 | 2019-07-24 | 一种基于围术期危险预警的多模型互补增强机器学习方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910669548.8A CN110491511B (zh) | 2019-07-24 | 2019-07-24 | 一种基于围术期危险预警的多模型互补增强机器学习方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110491511A CN110491511A (zh) | 2019-11-22 |
| CN110491511B true CN110491511B (zh) | 2023-04-07 |
Family
ID=68547999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910669548.8A Active CN110491511B (zh) | 2019-07-24 | 2019-07-24 | 一种基于围术期危险预警的多模型互补增强机器学习方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110491511B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111053540B (zh) * | 2019-12-23 | 2021-06-29 | 浙江大学 | 一种基于机器学习的crrt上机病人体温校正系统 |
| CN111446001A (zh) * | 2020-03-09 | 2020-07-24 | 杭州电子科技大学 | 一种用于人群动态医学观察与隔离管理的智能系统及方法 |
| CN111739639A (zh) * | 2020-06-19 | 2020-10-02 | 杭州联众医疗科技股份有限公司 | 一种基于时间编码的围手术期并发症的数据预测系统 |
| CN111986814B (zh) * | 2020-08-21 | 2024-01-16 | 南通大学 | 一种红斑狼疮患者的狼疮性肾炎预测模型的建模方法 |
| CN115019887A (zh) * | 2022-05-11 | 2022-09-06 | 中国科学院苏州生物医学工程技术研究所 | 基于机器学习的甲减疾病预测方法及终端 |
| CN117876691B (zh) * | 2024-03-08 | 2024-06-11 | 天津市胸科医院 | 基于人工智能的主动脉夹层术后神经系统并发症预警方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103518133A (zh) * | 2011-04-06 | 2014-01-15 | 雷蒙特亚特特拉维夫大学有限公司 | 监测和分析代谢活性分布的方法及其诊断和治疗用途 |
| CN109785973A (zh) * | 2019-01-25 | 2019-05-21 | 中国医学科学院阜外医院 | 一种手术患者在围手术期发生并发症的定量预测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013184868A1 (en) * | 2012-06-06 | 2013-12-12 | The Cleveland Clinic Foundation | Prediction of acute kidney injury from a post-surgical metabolic blood panel |
| CN106682435B (zh) * | 2016-12-31 | 2021-01-29 | 西安百利信息科技有限公司 | 一种多模型融合自动检测医学图像中病变的系统及方法 |
| CN109934415B (zh) * | 2019-03-22 | 2022-09-30 | 中国科学院重庆绿色智能技术研究院 | 一种基于跨模态深度学习的围术期危重事件预测方法 |
-
2019
- 2019-07-24 CN CN201910669548.8A patent/CN110491511B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103518133A (zh) * | 2011-04-06 | 2014-01-15 | 雷蒙特亚特特拉维夫大学有限公司 | 监测和分析代谢活性分布的方法及其诊断和治疗用途 |
| CN109785973A (zh) * | 2019-01-25 | 2019-05-21 | 中国医学科学院阜外医院 | 一种手术患者在围手术期发生并发症的定量预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110491511A (zh) | 2019-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110491511B (zh) | 一种基于围术期危险预警的多模型互补增强机器学习方法 | |
| ȚĂRANU | Data mining in healthcare: decision making and precision. | |
| CN111261282A (zh) | 一种基于机器学习的脓毒症早期预测方法 | |
| Abdel-Fattah et al. | Predicting chronic kidney disease using hybrid machine learning based on apache spark | |
| CN108511057A (zh) | 输血量模型建立及预测方法、装置、设备及其存储介质 | |
| Choubey et al. | GA_J48graft DT: a hybrid intelligent system for diabetes disease diagnosis | |
| CN113470816A (zh) | 一种基于机器学习的糖尿病肾病预测方法、系统和预测装置 | |
| Baidya et al. | A deep prediction of chronic kidney disease by employing machine learning method | |
| CN111243662A (zh) | 基于改进XGBoost的泛癌症基因通路预测方法、系统和存储介质 | |
| Ruyssinck et al. | Random survival forests for predicting the bed occupancy in the intensive care unit | |
| CN118213075A (zh) | 老年全麻患者术后亚谵妄综合症多模态预测识别系统 | |
| Kour et al. | An Advance Approach for Diabetes Detection by Implementing Machine Learning Algorithms | |
| Vilas-Boas et al. | Hourly prediction of organ failure and outcome in intensive care based on data mining techniques | |
| CN110895969A (zh) | 房颤预测决策树及其剪枝的方法 | |
| CN110021386A (zh) | 特征提取方法及特征提取装置、设备、存储介质 | |
| KR20180061551A (ko) | 미래건강추이 예측을 위한 유사사례 클러스터링 방법 및 그 장치 | |
| CN114520031B (zh) | 一种基于机器学习的化合物胎盘膜透过性的预测方法 | |
| WO2021012203A1 (zh) | 基于围术期危险预警的多模型互补增强机器学习平台 | |
| KR20180061553A (ko) | 유사사례 클러스터 기반 예측모델을 통한 미래건강추이 예측 시스템 및 그 방법 | |
| CN112365992A (zh) | 一种基于nrs-lda的医疗体检数据识别分析方法 | |
| Diyasa et al. | Data Classification of Patient Characteristics Based on Nutritional Treatment Using the K-Nearest Neighbors Algorithm | |
| Ajay et al. | An Aquila-optimized SVM classifier for Diabetes prediction | |
| Hamidi et al. | Analysis and evaluation of techniques for myocardial infarction based on genetic algorithm and weight by SVM | |
| Pragash et al. | Relevant subset computation using mutually dependent features and normalized divergence isolation forest using bio-image of heart to classify coronary heart disease | |
| Rao et al. | Employing Machine Learning in A Multimodal Approach for Brain Stroke Modelling and Identification |
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 |