CN111128372A - 基于rf-lr改进算法的疾病预测方法 - Google Patents

基于rf-lr改进算法的疾病预测方法 Download PDF

Info

Publication number
CN111128372A
CN111128372A CN201911214487.2A CN201911214487A CN111128372A CN 111128372 A CN111128372 A CN 111128372A CN 201911214487 A CN201911214487 A CN 201911214487A CN 111128372 A CN111128372 A CN 111128372A
Authority
CN
China
Prior art keywords
data
data set
sample
oob
random forest
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
CN201911214487.2A
Other languages
English (en)
Inventor
付蔚
赵红莹
童世华
崔逊航
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201911214487.2A priority Critical patent/CN111128372A/zh
Publication of CN111128372A publication Critical patent/CN111128372A/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • G16H50/70—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)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于RF‑LR改进算法的疾病预测方法，包括以下步骤：S1：获取糖尿病数据集，对数据集进行预处理，包括数据集成、清洗、规约；S2：使用随机森林算法对处理过后的糖尿病数据集进行特征选择；S3：在逻辑回归算法中引入代价敏感因子，以代价最小化为判别标准。本发明基于统计推理原理，可以在未观察到完整目标数据的情况，仅训练被破环的目标数据来进行图像修复，并且在通常情况下，可取得使用完整数据接近的图像修复性能。

Description

基于RF-LR改进算法的疾病预测方法
技术领域
本发明属于机器学习预测分析与医疗健康技术领域，涉及一种基于RF-LR改进算法的疾病预测方法。
背景技术
随着医疗卫生领域信息化的不断发展，医疗行业每年都产生了大量的医疗诊断数据，包括居民健康信息档案、电子病历等个人医疗就诊信息。这些大量医疗诊断数据对疾病预测和控制有着非常宝贵的价值。如何从医疗大数据中挖掘出有价值信息，成为当今解决疾病辅助诊断的一种新方案，也为许多医学难题提供了新路径。针对逻辑回归算法作为线性模型，在训练时需要进行大量的特征工程，耗费大量的人力物力，随机森林算法在训练时可以估计每个属性特征的重要性，基于此算法的特征选择可以自动有效地进行特征变量的筛选，弥补了逻辑回归算法的不足，同时传统的疾病预测算法没有考虑到误诊代价的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于RF-LR改进算法的疾病预测方法，将随机森林与逻辑回归算法结合起来，用以构建疾病辅助诊断算法，以提高疾病辅助诊断的精确率。针对疾病误诊的代价问题，在RF-LR中引入代价敏感因子，在保证精确率的前提下尽量提高召回率。
为达到上述目的，本发明提供如下技术方案：
一种基于RF-LR改进算法的疾病预测方法，包括以下步骤：
S1：获取糖尿病数据集，对数据集进行预处理，包括数据集成、清洗、规约；
S2：使用随机森林算法对处理过后的糖尿病数据集进行特征选择；
S3：在逻辑回归算法中引入代价敏感因子，比起传统的逻辑回归以分类概率为判断标准，以代价最小化为判别标准使得模型的预测性能有明显提高。
进一步，步骤S1包括以下步骤：
S11：处理数据集中的缺失数据与异常数据，处理缺失数据是将数据集中缺少的值使用平均值进行代替；处理异常数据是根据数据集中每个变量的合理取值范围和相互关系，检查数据是否合乎要求，剔除超出正常范围、逻辑上不合理或者互相矛盾的数据；
S12：将数据集中的文本数据数值化，数据集中的部分属性列的值为文本数据，包括将性别属性值为“男”、“女”，转化为数值型数据，“男”赋值为“1”，“女”赋值为“2”。
进一步，步骤S2包括以下步骤：
S21：假设T＝{(x1,y1),(x2,y2),..,(xN,yN)}为训练样本数据集，X＝(x(1),x(2),..,x(n))∈Rn为样本输入空间，y＝{c1,c2,…,cL}为类别输出空间，其中
Figure BDA0002299114430000021
Figure BDA0002299114430000022
表示为T中第i个样本，
Figure BDA0002299114430000023
为属于xi的第j个特征属性；
S22：对样本集T＝{(x1,y1),(x2,y2),..,(xN,yN)}作K次Bootstrap抽样产生K个自助样本集Bk和袋外样本集(OOBk),k＝1,2,…,K，对自助样本集Bk建立元分器Ck(x),则任意样本＝xi在组合分类器Ck(x)上的分类结果
Figure BDA0002299114430000024
其中，δ(.)为示性函数，当参数为真实时，δ(.)＝1，否则δ(.)＝0；C*(x)为随机森林；
S23：计算已建立Ck(x)在相应OOBk上的准确率acck；
S24：随机地改变OOBk数据集在特征x(j)的取值，即
Figure BDA0002299114430000025
并计算Ck(x)的OOBk准确率acc′k；
S25：计算特征x(j)(j＝1,2,…,n)的重要性度量
Figure BDA0002299114430000026
S26：从当前特征空间剔除不重要的特征得到新的特征子集，在新特征子集上构建随机森林，得到新特征子集对应随机森林的OOB误差率；重复这一步直到剩余两个特征，依据最小OOB误差率准则确定最终特征子空间。
进一步，步骤S3包括以下步骤：
将经过随机森林特征选择过后的特征输入到逻辑回归模型中进行训练，同时在逻辑回归模型中引入代价敏感因子，在保证模型精度的同时，提高召回率。
本发明的有益效果在于：本发明将随机森林与逻辑回归算法结合起来，用以构建疾病辅助诊断算法，以提高疾病辅助诊断的精确率。针对疾病误诊的代价问题，在RF-LR中引入代价敏感因子，在保证精确率的前提下尽量提高召回率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明所述基于RF-LR改进算法的疾病预测方法流程图；
图2为本发明特征选择模块示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1所示，一种基于RF-LR改进算法的疾病预测方法，包括以下步骤：
S1：获取来源于国家科技基础条件平台的人口与健康科学数据共享平台临床医学科学数据中心的糖尿病数据集，对数据集进行预处理，包括数据集成、清洗、规约等；
S11：处理数据集中的缺失数据与异常数据，处理缺失数据是将数据集中缺少的值使用平均值进行代替；处理异常数据是根据数据集中每个变量的合理取值范围和相互关系，检查数据是否合乎要求，剔除超出正常范围、逻辑上不合理或者互相矛盾的数据；
S12：将数据集中的文本数据数值化，数据集中的部分属性列的值为文本数据，包括将性别属性值为“男”、“女”，转化为数值型数据，“男”赋值为“1”，“女”赋值为“2”。
如图2所示，S2：使用随机森林算法对处理过后的糖尿病数据集进行特征选择；
S21：假设T＝{(x1,y1),(x2,y2),..,(xN,yN)}为训练样本数据集，X＝(x(1),x(2),..,x(n))∈Rn为样本输入空间，y＝{c1,c2,…,cL}为类别输出空间，其中
Figure BDA0002299114430000041
Figure BDA0002299114430000042
表示为T中第i个样本，
Figure BDA0002299114430000043
为属于xi的第j个特征属性；
S22：对样本集T＝{(x1,y1),(x2,y2),..,(xN,yN)}作K次Bootstrap抽样产生K个自助样本集Bk和袋外样本集(OOBk),k＝1,2,…,K，对自助样本集Bk建立元分器Ck(x),则任意样本＝xi在组合分类器Ck(x)上的分类结果
Figure BDA0002299114430000044
其中，δ(.)为示性函数，当参数为真实时，δ(.)＝1，否则δ(.)＝0；C*(x)为随机森林；
S23：计算已建立Ck(x)在相应OOBk上的准确率acck；
S24：随机地改变OOBk数据集在特征x(j)的取值，即
Figure BDA0002299114430000045
并计算Ck(x)的OOBk准确率acc′k；
S25：计算特征x(j)(j＝1,2,…,n)的重要性度量
Figure BDA0002299114430000046
S26：从当前特征空间剔除不重要的特征得到新的特征子集，在新特征子集上构建随机森林，得到新特征子集对应随机森林的OOB误差率；重复这一步直到剩余两个特征，依据最小OOB误差率准则确定最终特征子空间。
S3：在逻辑回归算法中引入代价敏感因子，比起传统的逻辑回归以分类概率为判断标准，以代价最小化为判别标准使得模型的预测性能有明显提高。
将经过随机森林特征选择过后的特征输入到逻辑回归模型中进行训练，同时在逻辑回归模型中引入代价敏感因子，在保证模型精度的同时，提高召回率。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于RF-LR改进算法的疾病预测方法，其特征在于：包括以下步骤：
S1：获取糖尿病数据集，对数据集进行预处理，包括数据集成、清洗、规约；
S2：使用随机森林算法对处理过后的糖尿病数据集进行特征选择；
S3：在逻辑回归算法中引入代价敏感因子，以代价最小化为判别标准。
2.根据权利要求1所述的基于RF-LR改进算法的疾病预测方法，其特征在于：步骤S1包括以下步骤：
S11：处理数据集中的缺失数据与异常数据，处理缺失数据是将数据集中缺少的值使用平均值进行代替；处理异常数据是根据数据集中每个变量的合理取值范围和相互关系，检查数据是否合乎要求，剔除超出正常范围、逻辑上不合理或者互相矛盾的数据；
S12：将数据集中的文本数据数值化，数据集中的部分属性列的值为文本数据，包括将性别属性值为“男”、“女”，转化为数值型数据，“男”赋值为“1”，“女”赋值为“2”。
3.根据权利要求1所述的基于RF-LR改进算法的疾病预测方法，其特征在于：步骤S2包括以下步骤：
S21：假设T＝{(x1,y1),(x2,y2),..,(xN,yN)}为训练样本数据集，X＝(x(1),x(2),..,x(n))∈Rn为样本输入空间，y＝{c1,c2,…,cL}为类别输出空间，其中
Figure FDA0002299114420000011
Figure FDA0002299114420000012
表示为T中第i个样本，
Figure FDA0002299114420000013
为属于xi的第j个特征属性；
S22：对样本集T＝{(x1,y1),(x2,y2),..,(xN,yN)}作K次Bootstrap抽样产生K个自助样本集Bk和袋外样本集(OOBk),k＝1,2,…,K，对自助样本集Bk建立元分器Ck(x),则任意样本＝xi在组合分类器Ck(x)上的分类结果
Figure FDA0002299114420000014
其中，δ(.)为示性函数，当参数为真实时，δ(.)＝1，否则δ(.)＝0；C*(x)为随机森林；
S23：计算已建立Ck(x)在相应OOBk上的准确率acck；
S24：随机地改变OOBk数据集在特征x(j)的取值，即
Figure FDA0002299114420000015
并计算Ck(x)的OOBk准确率acc′k；
S25：计算特征x(j)(j＝1,2,…,n)的重要性度量
Figure FDA0002299114420000016
S26：从当前特征空间剔除不重要的特征得到新的特征子集，在新特征子集上构建随机森林，得到新特征子集对应随机森林的OOB误差率；重复这一步直到剩余两个特征，依据最小OOB误差率准则确定最终特征子空间。
4.根据权利要求1所述的基于RF-LR改进算法的疾病预测方法，其特征在于：步骤S3包括以下步骤：
将经过随机森林特征选择过后的特征输入到逻辑回归模型中进行训练，同时在逻辑回归模型中引入代价敏感因子，在保证模型精度的同时，提高召回率。
CN201911214487.2A 2019-12-02 2019-12-02 基于rf-lr改进算法的疾病预测方法 Pending CN111128372A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911214487.2A CN111128372A (zh) 2019-12-02 2019-12-02 基于rf-lr改进算法的疾病预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911214487.2A CN111128372A (zh) 2019-12-02 2019-12-02 基于rf-lr改进算法的疾病预测方法

Publications (1)

Publication Number Publication Date
CN111128372A true CN111128372A (zh) 2020-05-08

Family

ID=70496841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911214487.2A Pending CN111128372A (zh) 2019-12-02 2019-12-02 基于rf-lr改进算法的疾病预测方法

Country Status (1)

Country Link
CN (1) CN111128372A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723679A (zh) * 2021-08-27 2021-11-30 暨南大学 基于代价敏感深度级联森林的饮用水质预测方法及系统
CN113870641A (zh) * 2021-09-29 2021-12-31 上海乐项信息技术有限公司 一种用于直播带货的模拟培训方法和系统
CN114999639A (zh) * 2022-04-27 2022-09-02 天津大学 一种糖尿病评分模型建立方法及糖尿病风险评分方法
CN115374859A (zh) * 2022-08-24 2022-11-22 东北大学 一种针对非平衡、多类别的复杂工业数据的分类方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103257921A (zh) * 2013-04-16 2013-08-21 西安电子科技大学 一种基于改进随机森林算法的软件故障预测系统及其方法
CN106407686A (zh) * 2016-09-23 2017-02-15 电子科技大学 一种评估慢性病费用的建模方法
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
CN107403072A (zh) * 2017-08-07 2017-11-28 北京工业大学 一种基于机器学习的2型糖尿病预测预警方法
CN108231201A (zh) * 2018-01-25 2018-06-29 华中科技大学 一种疾病数据分析处理模型的构建方法、系统及应用
US20180226153A1 (en) * 2015-09-30 2018-08-09 Inform Genomics, Inc. Systems and Methods for Predicting Treatment-Regimen-Related Outcomes
CN109949152A (zh) * 2019-04-15 2019-06-28 武汉理工大学 一种个人信贷违约预测方法
CN110473627A (zh) * 2019-06-21 2019-11-19 四川大学 一种基于代价敏感的自适应神经模糊推理糖尿病预测算法
EP3573068A1 (en) * 2018-05-24 2019-11-27 Siemens Healthcare GmbH System and method for an automated clinical decision support system

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103257921A (zh) * 2013-04-16 2013-08-21 西安电子科技大学 一种基于改进随机森林算法的软件故障预测系统及其方法
US20180226153A1 (en) * 2015-09-30 2018-08-09 Inform Genomics, Inc. Systems and Methods for Predicting Treatment-Regimen-Related Outcomes
CN106407686A (zh) * 2016-09-23 2017-02-15 电子科技大学 一种评估慢性病费用的建模方法
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
CN107403072A (zh) * 2017-08-07 2017-11-28 北京工业大学 一种基于机器学习的2型糖尿病预测预警方法
CN108231201A (zh) * 2018-01-25 2018-06-29 华中科技大学 一种疾病数据分析处理模型的构建方法、系统及应用
EP3573068A1 (en) * 2018-05-24 2019-11-27 Siemens Healthcare GmbH System and method for an automated clinical decision support system
CN109949152A (zh) * 2019-04-15 2019-06-28 武汉理工大学 一种个人信贷违约预测方法
CN110473627A (zh) * 2019-06-21 2019-11-19 四川大学 一种基于代价敏感的自适应神经模糊推理糖尿病预测算法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
S. MOHAN等: "Effective Heart Disease Prediction Using Hybrid Machine Learning Techniques" *
刘开元: "随机森林与逻辑回归模型在违约预测中的应用" *
许智彪: "基于代价敏感主动学习算法的2型糖尿病诊断" *
赵红莹: "基于RF-LR改进算法的疾病辅助诊断软件的研究与设计" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723679A (zh) * 2021-08-27 2021-11-30 暨南大学 基于代价敏感深度级联森林的饮用水质预测方法及系统
CN113723679B (zh) * 2021-08-27 2024-04-16 暨南大学 基于代价敏感深度级联森林的饮用水质预测方法及系统
CN113870641A (zh) * 2021-09-29 2021-12-31 上海乐项信息技术有限公司 一种用于直播带货的模拟培训方法和系统
CN114999639A (zh) * 2022-04-27 2022-09-02 天津大学 一种糖尿病评分模型建立方法及糖尿病风险评分方法
CN115374859A (zh) * 2022-08-24 2022-11-22 东北大学 一种针对非平衡、多类别的复杂工业数据的分类方法

Similar Documents

Publication Publication Date Title
Kaur et al. Medical diagnostic systems using artificial intelligence (ai) algorithms: Principles and perspectives
Wang et al. Risk assessment of coronary heart disease based on cloud-random forest
CN111128372A (zh) 基于rf-lr改进算法的疾病预测方法
Alpan et al. Classification of diabetes dataset with data mining techniques by using WEKA approach
Barati et al. A survey on utilization of data mining approaches for dermatological (skin) diseases prediction
Xie et al. Deep learning for image analysis: Personalizing medicine closer to the point of care
DE112014000897T5 (de) Lernende Gesundheitssysteme und -verfahren
EP3299976A1 (en) Gene expression data classification method and classification system
Gürbüz et al. A new adaptive support vector machine for diagnosis of diseases
Samieinasab et al. Meta-Health Stack: A new approach for breast cancer prediction
Lanjewar et al. CNN with machine learning approaches using ExtraTreesClassifier and MRMR feature selection techniques to detect liver diseases on cloud
Chinnasamy et al. Machine learning based cardiovascular disease prediction
Suryani et al. The cost-based feature selection model for coronary heart disease diagnosis system using deep neural network
Simaiya et al. A novel multistage ensemble approach for prediction and classification of diabetes
Amutha et al. A novel approach for the prediction of treadmill test in cardiology using data mining algorithms implemented as a mobile application
Javeed et al. Breaking barriers: a statistical and machine learning-based hybrid system for predicting dementia
CN112086130B (zh) 一种基于测序和数据分析的肥胖风险预测装置的预测方法
Anil et al. Prediction of Chronic Kidney Disease Using Various Machine Learning Algorithms
Gancheva A big data management approach for computer aided breast cancer diagnostic system supporting precision medicine
JP2024505480A (ja) 臨床エンドポイント判定システム及び方法
Seraphim et al. Prediction of diabetes readmission using machine learning
Mittal et al. Automated Disease Prediction Using Machine Learning Technology
Zhang et al. Cardiac arrhythmia classification with rejection of ECG recordings based on uncertainty estimation from deep neural networks
Pantanowitz et al. Non-Generative Artificial Intelligence (AI) in Medicine: Advancements and Applications in Supervised and Unsupervised Machine Learning
Regeniter et al. Computer assisted interpretation of laboratory test data with ‘MDI-LabLink’

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: 20200508