CN111341439B - 一种临床预测模型决策分析方法 - Google Patents
一种临床预测模型决策分析方法 Download PDFInfo
- Publication number
- CN111341439B CN111341439B CN202010124130.1A CN202010124130A CN111341439B CN 111341439 B CN111341439 B CN 111341439B CN 202010124130 A CN202010124130 A CN 202010124130A CN 111341439 B CN111341439 B CN 111341439B
- Authority
- CN
- China
- Prior art keywords
- sample
- target
- sample object
- value
- prediction model
- 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
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
- 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)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种临床预测模型决策分析方法，针对与目标表中数据结构类型相一致的样本数据集，结合其中各对象的二分类型目标，应用预设机器学习算法进行训练，获得目标表所对应的目标预测模型，并评估出0到1范围内各划分数值分别所对应的效应值pb，基于各个效应值pb大小选择出最佳阈值，作为目标表中对象基于目标预测模型所对应二分类型目标的概率值范围的分界值，由此进一步针对目标表中的各对象，依据目标表中对象所对应各属性的数据，实现对象对应预设二分类型目标的判定，能够大大提高基于多维属性的二分类型目标判定工作效率，方案在临床研究中很有应用价值。
Description
技术领域
本发明涉及一种临床预测模型决策分析方法，属于临床医学统计技术领域。
背景技术
现在临床预测模型已是很多疾病辅助分析的重要工具，可以帮助临床人员快速归纳和综合比较病人多种信息，并作出治疗策略。可靠有效的临床预测模型是基于大量临床数据建立的，可以纳入多个临床变量综合分析，结合医学统计或者机器学习方法，得出某个样本发生某个事件的概率。依据该概率值考虑是否对该患者给予某种方法的治疗，并期望治疗方法能否达到最佳和损害最小的效果。临床预测模型建立后，通常是先从模型中找出最佳阈值，通过比较具体样本概率值和阈值的大小来决定是否采取某种治疗措施。虽然目前已有很多方法可用于确定最佳阈值，但是针对具体试验得到的临床预测模型，基于理论方法找到的阈值并不一定能带来最好的结果，考虑单个阈值时，更应该首先分析一定范围内的阈值效应大小，如何评价不同范围阈值的效应，是临床预测模型后续分析的难点之一。
发明内容
本发明所要解决的技术问题是提供一种临床预测模型决策分析方法，通过全新方法设计，能够针对目标表中的各对象，实现对象对应预设二分类型目标的准确判定。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种临床预测模型决策分析方法，用于针对目标表中的各对象，依据目标表中对象所对应各属性的数据，实现对象对应预设二分类型目标的判定，包括如下步骤：
步骤A.基于历史数据，统计获得与目标表中数据结构类型相一致的各样本对象、以及样本对象所对应各属性的数据，并统计获得各样本对象分别依据其各属性数据、所对应的二分类型目标，构成样本数据集，且样本对象数量不低于预设样本数阈值，然后进入步骤B；
步骤B.针对样本数据集，以各样本对象分别所对应各属性的数据为输入，各样本对象分别相对其所对应二分类型目标的概率值为输出，针对预设机器学习算法进行训练，获得样本数据集所对应的目标预测模型，然后进入步骤C；其中，概率值∈(0,1)；
步骤C.分别针对样本数据集中的各个样本对象，采用目标预测模型，针对样本对象分别所对应各属性的数据进行处理，获得样本对象相对其所对应二分类型目标的概率值；完成针对样本数据集中各个样本对象的上述操作后，然后进入步骤D；
步骤D.针对0至1的数值区间按预设份数N进行等分，并将各等分数值按0至1顺序、分别赋值给T1至TN，然后进入步骤E；
步骤E.按2≤n≤N-1，分别针对T2至TN-1中的各Tn，获得样本数据集分别在各Tn下所对应的参数a、b、c、d、e，然后进入步骤F；
步骤F.分别针对各Tn，获得各Tn分别所对应的参数pb，并选择最大pb所对应的Tn，作为目标表中对象基于目标预测模型所对应二分类型目标的概率值范围的分界值Tv，然后进入步骤G；
步骤G.应用目标预测模型分别针对目标表中的各对象进行处理，获得各对象分别相对其所对应二分类型目标的概率值，并进一步根据分界值Tv，获得各对象分别所对应的二分类型目标。
作为本发明的一种优选技术方案：所述步骤B中，所述预设机器学习算法为逻辑回归模型。
作为本发明的一种优选技术方案：所述步骤E中，按2≤n≤N-1，分别针对T2至TN-1中的各Tn，执行如下步骤E1至步骤E2，获得样本数据集分别在各Tn下所对应的参数a、b、c、d、e，然后进入步骤F；
步骤E1.根据Tn、样本对象相对其所对应二分类型目标的概率值Probability、以及样本对象依据其各属性数据所对应的二分类型目标Truelabel，且Truelabel按0或1进行二分区分，分别针对样本数据集中的各样本对象，获得各样本对象分别在Tn下所对应TP、FP、FN、TN四标记中的一个，然后进入步骤E2；
步骤E2.针对样本数据集，统计获得对应TP的样本对象数量MTP，对应FP的样本对象数量MFP，对应FN的样本对象数量MFN，对应TN的样本对象数量MTN，然后按如下公式：
a＝MTP/M；b＝MFP/M；c＝MFN/M；d＝MTN/M
获得样本数据集在Tn下所对应的参数a、b、c、d，并按e＝a+c，获得参数e。
作为本发明的一种优选技术方案，所述步骤E1包括如下：
根据Tn，分别针对样本数据集中的各样本对象，按如下：
若(Truelabel＝1)&Probability≥Tn，则对应TP；
若(Truelabel＝0)&Probability≥Tn，则对应FP；
若(Truelabel＝1)&Probability＜Tn，则对应FN；
若(Truelabel＝0)&Probability＜Tn，则对应TN；
获得各样本对象分别在Tn下所对应TP、FP、FN、TN四标记中的一个，然后进入步骤E2；其中，Truelabel表示样本对象依据其各属性数据、所对应的二分类型目标，并按0或1进行二分区分；Probability表示样本对象相对其所对应二分类型目标的概率值。
作为本发明的一种优选技术方案：所述步骤F中，分别针对各Tn，按如下公式：
获得各Tn分别所对应的参数pb。
本发明所述一种临床预测模型决策分析方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计临床预测模型决策分析方法，针对与目标表中数据结构类型相一致的样本数据集，结合其中各对象的二分类型目标，应用预设机器学习算法进行训练，获得目标表所对应的目标预测模型，并评估出0到1范围内各划分数值分别所对应的效应值pb，基于各个效应值pb大小选择出最佳阈值，作为目标表中对象基于目标预测模型所对应二分类型目标的概率值范围的分界值，由此进一步针对目标表中的各对象，依据目标表中对象所对应各属性的数据，实现对象对应预设二分类型目标的判定，能够大大提高基于多维属性的二分类型目标判定工作效率，方案在临床研究中很有应用价值。
附图说明
图1为本发明设计临床预测模型决策分析方法的流程示意图；
图2为本发明设计临床预测模型决策分析方法中Tn相对pb曲线示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种临床预测模型决策分析方法，用于针对目标表中的各对象，依据目标表中对象所对应各属性的数据，实现对象对应预设二分类型目标的判定，实际应用当中，如图1所示，具体包括如下步骤A至步骤G。
步骤A.基于历史数据，统计获得与目标表中数据结构类型相一致的各样本对象、以及样本对象所对应各属性的数据，并统计获得各样本对象分别依据其各属性数据、所对应的二分类型目标，构成样本数据集，且样本对象数量不低于预设样本数阈值，然后进入步骤B。
实际应用当中，对于针对样本对象数量所设计的预设样本数阈值，可以设计为100条，并遵循样本对象数量越大，应用所获结果精度越高。
步骤B.针对样本数据集，以各样本对象分别所对应各属性的数据为输入，各样本对象分别相对其所对应二分类型目标的概率值为输出，针对预设机器学习算法进行训练，实际应用中诸如针对逻辑回归模型进行训练，获得样本数据集所对应的目标预测模型，然后进入步骤C；其中，概率值∈(0,1)，逻辑回顾模型是临床医学统计研究最常用的方法。
步骤C.分别针对样本数据集中的各个样本对象，采用目标预测模型，针对样本对象分别所对应各属性的数据进行处理，获得样本对象相对其所对应二分类型目标的概率值；完成针对样本数据集中各个样本对象的上述操作后，然后进入步骤D。
步骤D.针对0至1的数值区间按预设份数N进行等分，并将各等分数值按0至1顺序、分别赋值给T1至TN，然后进入步骤E。实际应用当中，诸如将0至1的数值区间按100份进行等分，即0.00、0.01、…、0.98、0.99、1.00。
步骤E.按2≤n≤N-1，分别针对T2至TN-1中的各Tn，执行如下步骤E1至步骤E2，获得样本数据集分别在各Tn下所对应的参数a、b、c、d、e，然后进入步骤F。
步骤E1.根据Tn、样本对象相对其所对应二分类型目标的概率值Probability、以及样本对象依据其各属性数据所对应的二分类型目标Truelabel，且Truelabel按0或1进行二分区分，分别针对样本数据集中的各样本对象，获得各样本对象分别在Tn下所对应TP、FP、FN、TN四标记中的一个，然后进入步骤E2。
实际应用当中，上述步骤E1具体执行如下过程。
根据Tn，分别针对样本数据集中的各样本对象，按如下：
若(Truelabel＝1)&Probability≥Tn，则对应TP；
若(Truelabel＝0)&Probability≥Tn，则对应FP；
若(Truelabel＝1)&Probability＜Tn，则对应FN；
若(Truelabel＝0)&Probability＜Tn，则对应TN；
获得各样本对象分别在Tn下所对应TP、FP、FN、TN四标记中的一个，然后进入步骤E2。
实际应用中，目标表和样本数据集的格式下表1所示。
表1
步骤E2.针对样本数据集，统计获得对应TP的样本对象数量MTP，对应FP的样本对象数量MFP，对应FN的样本对象数量MFN，对应TN的样本对象数量MTN，然后按如下公式：
a＝MTP/M；b＝MFP/M；c＝MFN/M；d＝MTN/M
获得样本数据集在Tn下所对应的参数a、b、c、d，并按e＝a+c，获得参数e。
在医疗领域方面，Tn等于某个值时，会出现最佳治疗状况，即b＝c＝0，a+d＝1,表示所有阳性样本接受治疗，所有阴性样本不接受治疗，无假阳和假阴。
步骤F.分别针对各Tn，按如下公式：
获得各Tn分别所对应的参数pb，并选择最大pb所对应的Tn，作为目标表中对象基于目标预测模型所对应二分类型目标的概率值范围的分界值Tv，然后进入步骤G。
实际应用中，以Tn为横坐标、pb为纵坐标，针对各Tn分别所对应的参数pb进行曲线构造，如图2所示，则选择最大pb所对应的Tn，作为目标表中对象基于目标预测模型所对应二分类型目标的概率值范围的分界值Tv，实际中，在一定阈值范围内pb会出现较好的结果，如图2示例阈值选在0.4～0.6之间，pb会较好；阈值超过该范围，或者取偏向于0或者1，pb值都很小，那么说明选择这些阈值并不能使模型产生好的效益值。
步骤G.应用目标预测模型分别针对目标表中的各对象进行处理，获得各对象分别相对其所对应二分类型目标的概率值，并进一步根据分界值Tv，获得各对象分别所对应的二分类型目标。
对于分界值Tv的获取，现有技术通过如下，获得分界值Tref。
pbenefit_cost表示treat benefit生存率和treat loss生存率的比值；treatbenefit生存率为pevent_treat-pevent_notreat，表示某事件存在的情况下采取治疗后的生存率减去某事件存在的情况下不采取治疗后的生存率，pevent_treat是大于pevent_notreat，treat loss生存率为pnoevent_notreat-pnoevent_treat表示某事件不存在的情况下不采取治疗的生存率减去某事件不存在的情况下采取治疗的生存率，pnoevent_notreat是大于pnoevent_treat。pbenefit_cost的取值范围是大于0，Tref的取值范围在(0,1)。
应用上述方法实现分界值的获得，与本发明设计方法相比较，本发明所设计临床预测模型决策分析方法，在获得与现有技术更精准果的同时，拥有更加快捷的获得各组效率，有效提高工作效率。
上述技术方案所设计临床预测模型决策分析方法，针对与目标表中数据结构类型相一致的样本数据集，结合其中各对象的二分类型目标，应用预设机器学习算法进行训练，获得目标表所对应的目标预测模型，并评估出0到1范围内各划分数值分别所对应的效应值pb，基于各个效应值pb大小选择出最佳阈值，作为目标表中对象基于目标预测模型所对应二分类型目标的概率值范围的分界值，由此进一步针对目标表中的各对象，依据目标表中对象所对应各属性的数据，实现对象对应预设二分类型目标的判定，能够大大提高基于多维属性的二分类型目标判定工作效率，方案在临床研究中很有应用价值。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (3)
1.一种临床预测模型决策分析方法，用于针对目标表中的各对象，依据目标表中对象所对应各属性的数据，实现对象对应预设二分类型目标的判定，其特征在于，包括如下步骤：
步骤A.基于历史数据，统计获得与目标表中数据结构类型相一致的各样本对象、以及样本对象所对应各属性的数据，并统计获得各样本对象分别依据其各属性数据、所对应的二分类型目标，构成样本数据集，且样本对象数量不低于预设样本数阈值，然后进入步骤B；
步骤B.针对样本数据集，以各样本对象分别所对应各属性的数据为输入，各样本对象分别相对其所对应二分类型目标的概率值为输出，针对预设机器学习算法进行训练，获得样本数据集所对应的目标预测模型，然后进入步骤C；其中，概率值∈(0,1)；
步骤C.分别针对样本数据集中的各个样本对象，采用目标预测模型，针对样本对象分别所对应各属性的数据进行处理，获得样本对象相对其所对应二分类型目标的概率值；完成针对样本数据集中各个样本对象的上述操作后，然后进入步骤D；
步骤D.针对0至1的数值区间按预设份数N进行等分，并将各等分数值按0至1顺序、分别赋值给T1至TN，然后进入步骤E；
步骤E.按2≤n≤N-1，分别针对T2至TN-1中的各Tn，获得样本数据集分别在各Tn下所对应的参数a、b、c、d、e，然后进入步骤F；
上述步骤E中，按2≤n≤N-1，分别针对T2至TN-1中的各Tn，执行如下步骤E1至步骤E2，获得样本数据集分别在各Tn下所对应的参数a、b、c、d、e，然后进入步骤F；
步骤E1.根据Tn、样本对象相对其所对应二分类型目标的概率值Probability、以及样本对象依据其各属性数据所对应的二分类型目标Truelabel，且Truelabel按0或1进行二分区分，分别针对样本数据集中的各样本对象，获得各样本对象分别在Tn下所对应TP、FP、FN、TN四标记中的一个，然后进入步骤E2；
步骤E2.针对样本数据集，统计获得对应TP的样本对象数量MTP，对应FP的样本对象数量MFP，对应FN的样本对象数量MFN，对应TN的样本对象数量MTN，然后按如下公式：
a＝MTP/M；b＝MFP/M；c＝MFN/M；d＝MTN/M
获得样本数据集在Tn下所对应的参数a、b、c、d，并按e＝a+c，获得参数e；
步骤F.分别针对各Tn，按如下公式：
获得各Tn分别所对应的参数pb，并选择最大pb所对应的Tn，作为目标表中对象基于目标预测模型所对应二分类型目标的概率值范围的分界值Tv，然后进入步骤G；
对于分界值Tv的获取，通过如下获得分界值Tref；
pbenefit_cost表示treat benefit生存率和treat loss生存率的比值；treat benefit生存率为pevent_treat-pevent_notreat，表示某事件存在的情况下采取治疗后的生存率减去某事件存在的情况下不采取治疗后的生存率，pevent_treat是大于pevent_notreat，treat loss生存率为pnoevent_notreat-pnoevent_treat表示某事件不存在的情况下不采取治疗的生存率减去某事件不存在的情况下采取治疗的生存率，pnoevent_notreat是大于pnoevent_treat，pbenefit_cost的取值范围是大于0，Tref的取值范围在(0,1)；
步骤G.应用目标预测模型分别针对目标表中的各对象进行处理，获得各对象分别相对其所对应二分类型目标的概率值，并进一步根据分界值Tv，获得各对象分别所对应的二分类型目标。
2.根据权利要求1所述一种临床预测模型决策分析方法，其特征在于：所述步骤B中，所述预设机器学习算法为逻辑回归模型。
3.根据权利要求1所述一种临床预测模型决策分析方法，其特征在于，所述步骤E1包括如下：
根据Tn，分别针对样本数据集中的各样本对象，按如下：
若(Truelabel＝1)&Probability≥Tn，则对应TP；
若(Truelabel＝0)&Probability≥Tn，则对应FP；
若(Truelabel＝1)&Probability<Tn，则对应FN；
若(Truelabel＝0)&Probability<Tn，则对应TN；
获得各样本对象分别在Tn下所对应TP、FP、FN、TN四标记中的一个，然后进入步骤E2；
其中，Truelabel表示样本对象依据其各属性数据、所对应的二分类型目标，并按0或1进行二分区分；Probability表示样本对象相对其所对应二分类型目标的概率值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010124130.1A CN111341439B (zh) | 2020-02-27 | 2020-02-27 | 一种临床预测模型决策分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010124130.1A CN111341439B (zh) | 2020-02-27 | 2020-02-27 | 一种临床预测模型决策分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111341439A CN111341439A (zh) | 2020-06-26 |
| CN111341439B true CN111341439B (zh) | 2023-09-26 |
Family
ID=71181917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010124130.1A Active CN111341439B (zh) | 2020-02-27 | 2020-02-27 | 一种临床预测模型决策分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111341439B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107045506A (zh) * | 2016-02-05 | 2017-08-15 | 阿里巴巴集团控股有限公司 | 评估指标获取方法及装置 |
| CN108766559A (zh) * | 2018-05-22 | 2018-11-06 | 合肥工业大学 | 用于智能疾病筛查的临床决策支持方法及系统 |
| CN109273094A (zh) * | 2018-09-14 | 2019-01-25 | 苏州贝斯派生物科技有限公司 | 一种基于Boosting算法的川崎病风险评估模型的构建方法及构建系统 |
-
2020
- 2020-02-27 CN CN202010124130.1A patent/CN111341439B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107045506A (zh) * | 2016-02-05 | 2017-08-15 | 阿里巴巴集团控股有限公司 | 评估指标获取方法及装置 |
| CN108766559A (zh) * | 2018-05-22 | 2018-11-06 | 合肥工业大学 | 用于智能疾病筛查的临床决策支持方法及系统 |
| CN109273094A (zh) * | 2018-09-14 | 2019-01-25 | 苏州贝斯派生物科技有限公司 | 一种基于Boosting算法的川崎病风险评估模型的构建方法及构建系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111341439A (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106202891B (zh) | 一种面向医疗质量评价的大数据挖掘方法 | |
| CN109801680B (zh) | 基于tcga数据库的肿瘤转移复发预测方法及系统 | |
| CN1121207A (zh) | 归属度判别装置 | |
| CN112735542B (zh) | 基于临床试验数据的数据处理方法及系统 | |
| CN118312816A (zh) | 基于成员选择的簇加权聚类集成医学数据处理方法及系统 | |
| CN111341439B (zh) | 一种临床预测模型决策分析方法 | |
| Burrell | Using the Gamma‐Poisson model to predict library circulations | |
| Tan et al. | Ranking analysis of microarray data: a powerful method for identifying differentially expressed genes | |
| US10628442B1 (en) | Histograms based on varying data distribution | |
| CN112071431A (zh) | 基于深度学习和知识图谱的临床路径自动生成方法及系统 | |
| CN104268144B (zh) | 一种电子病历查询语句的构造方法 | |
| Martsenyuk et al. | On development of machine learning models with aim of medical differential diagnostics of the comorbid states | |
| Mahmoud et al. | Machine learning experiments with artificially generated big data from small immunotherapy datasets | |
| CN111583990B (zh) | 一种结合稀疏回归和淘汰规则的基因调控网络推断方法 | |
| May et al. | Combined Pruning for Nested Cross-Validation to Accelerate Automated Hyperparameter Optimization for Embedded Feature Selection in High-Dimensional Data with Very Small Sample Sizes | |
| Sun et al. | Deep generative autoencoder for low-dimensional embeding extraction from single-cell RNAseq data | |
| Zhang et al. | Subgroup identification and variable selection for treatment decision making | |
| Huang et al. | Feature selection and classification model construction on type 2 diabetic patient’s data | |
| CN111850124A (zh) | 一种特征lincRNA表达谱组合及肺鳞癌早期预测方法 | |
| TW202001246A (zh) | 檢測微生物抗藥性方法 | |
| TW202029075A (zh) | 於不同分組集合下之評估統計效能的方法 | |
| CN116153516B (zh) | 一种基于分布式计算的疾病大数据挖掘分析系统 | |
| CN117393171B (zh) | 直肠癌术后lars发展轨迹预测模型构建方法及系统 | |
| Zaveri et al. | CrowdED: Guideline for Optimal Crowdsourcing Experimental Design | |
| Wang et al. | Machine Learning Classification Techniques for Diabetic Foot Ulcers |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220701 Address after: 210000 Room 201, floor 2, building 3, Zhicheng Park, No. 6, Zhida Road, Jiangbei new area, Nanjing, Jiangsu Applicant after: Jiangsu Pinsheng Medical Technology Group Co.,Ltd. Applicant after: Nanjing Pinsheng Medical Technology Co.,Ltd. Address before: 210000 floor 10, building 5, Yangzi science and technology innovation headquarters base, No. 7, Pudong North Road, Jiangbei new area, Nanjing, Jiangsu Province Applicant before: Nanjing Pinsheng medical laboratory Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |