CN111613325A - 一种慢阻肺复发预测方法、装置、电子设备和存储介质 - Google Patents
一种慢阻肺复发预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111613325A CN111613325A CN202010429725.8A CN202010429725A CN111613325A CN 111613325 A CN111613325 A CN 111613325A CN 202010429725 A CN202010429725 A CN 202010429725A CN 111613325 A CN111613325 A CN 111613325A
- Authority
- CN
- China
- Prior art keywords
- obstructive pulmonary
- data
- attribute
- chronic obstructive
- recurrence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000000414 obstructive effect Effects 0.000 title claims abstract description 48
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 47
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 claims abstract description 74
- 230000001684 chronic effect Effects 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 208000011623 Obstructive Lung disease Diseases 0.000 claims abstract description 31
- 238000003066 decision tree Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 63
- 230000036541 health Effects 0.000 claims description 43
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 18
- 229910052760 oxygen Inorganic materials 0.000 claims description 18
- 239000001301 oxygen Substances 0.000 claims description 18
- 206010011224 Cough Diseases 0.000 claims description 17
- 230000004199 lung function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000000391 smoking effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims 2
- 210000004072 lung Anatomy 0.000 description 16
- 238000004891 communication Methods 0.000 description 12
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009325 pulmonary function Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000005713 exacerbation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010004446 Benign prostatic hyperplasia Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 208000004403 Prostatic Hyperplasia Diseases 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 206010047924 Wheezing Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 210000000222 eosinocyte Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000003234 polygenic effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 210000001147 pulmonary artery Anatomy 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本说明书一个或多个实施例提供一种慢阻肺复发预测方法、装置、电子设备和存储介质。所述方法包括：获取用户的至少一个用户特征数据；所述用户特征数据包括身体检测数据、生活环境数据以及生活习惯数据；根据所述用户特征数据，确定至少三个属性并为所述属性赋值，以得到属性集；根据所述属性集以及基于决策树的慢阻肺病预测模型，得到所述用户的慢阻肺复发预测结果。本说明书实施例通过用户特征数据确定至少三个属性，并给予这至少三个属性及其赋值以及预先训练的基于决策树的慢阻肺病预测模型，最终得到了用户的慢阻肺复发预测结果。
Description
技术领域
本说明书一个或多个实施例涉及人工智能技术领域，尤其涉及一种慢阻肺复发预测方法、装置、电子设备和存储介质。
背景技术
慢阻肺即慢性阻塞性肺疾病，是一种常见的慢性病。慢阻肺病死率高；伴有气促、咳痰、喘息并反复加重；不仅损伤气道、肺泡和肺血管，同时还损伤肺外组织，如骨骼、骨骼肌、心脏以及其他器官；是一个多基因的全身性疾病。
随着人工智能技术的快速发展和广泛应用，在相关技术中，已经出现通过人工智能技术来预测慢阻肺复发的技术方案。而现有技术只能基于慢阻肺的诊断特征对慢阻肺病是否复发进行预测。近年来，科研人员认为，环境等因素的影响可能导致慢阻肺病人病情加重。因此，若能基于慢阻肺病人的生活环境对慢阻肺病人的病情进行预测及提醒，可以使得病人在病情恶化之前进行预防或者及早就医。
发明内容
有鉴于此，本说明书一个或多个实施例的目的在于提出一种慢阻肺复发预测方法、装置、电子设备和存储介质。
基于上述目的，本说明书一个或多个实施例提供了一种慢阻肺复发预测方法，包括：
获取用户的至少一个用户特征数据；所述用户特征数据包括身体检测数据、生活环境数据以及生活习惯数据；
根据所述用户特征数据，确定至少三个属性并为所述属性赋值，以得到属性集；
根据所述属性集以及基于决策树的慢阻肺病预测模型，得到所述用户的慢阻肺复发预测结果。
可选的，还包括：
根据所述身体检测数据确定的所述属性包括呼吸机输出数据、制氧机输出数据以及肺功能仪输出数据中的至少一个；
根据所述生活环境数据确定的所述属性包括温度信息、湿度信息以及PM值中的至少一个；
根据所述生活习惯数据确定的所述属性包括抽烟情况信息、咳嗽情况信息以及身体舒适度信息中的至少一个。
可选的，所述慢阻肺病预测模型的训练过程包括：
获取训练用用户特征数据；
根据所述训练用用户特征数据，确定若干训练用属性集，并确定每个所述训练用属性集对应的慢阻肺复发结果；
根据所述训练用属性集和所述慢阻肺复发结果，构建训练集；
根据所述训练集以及分类回归树算法，对所述至少三个所述属性进行划分，以得到所述慢阻肺病预测模型。
可选的，所述对所述至少三个所述属性进行划分之后还包括：
基于属性划分结果确定交叉属性分类结果，基于所述交叉属性分类结果对属性划分结果进行验证，若所述属性划分结果的准确度小于预设阈值，则重新进行属性划分。
可选的，还包括：
根据所述慢阻肺复发预测结果，生成所述用户的健康建议报告；
对所述健康建议报告，进行如下操作中的至少一种：
显示所述健康建议报告；
将所述健康建议报告发送至预设的服务器；
将所述健康建议报告发送至预设的终端设备。
基于同一发明构思，本说明书一个或多个实施例还提供了一种慢阻肺复发预测装置，包括：
获取模块，用于获取用户的至少一个用户特征数据；所述用户特征数据包括身体检测数据、生活环境数据以及生活习惯数据；
属性确定模块，用于根据所述用户特征数据，确定至少三个属性并为所述属性赋值，以得到属性集；
结果获得模块，用于根据所述属性集以及基于决策树的慢阻肺病预测模型，得到所述用户的慢阻肺复发预测结果。
可选的，所述属性确定模块还用于实现：
根据所述身体检测数据确定的所述属性包括呼吸机输出数据、制氧机输出数据以及肺功能仪输出数据中的至少一个；
根据所述生活环境数据确定的所述属性包括温度信息、湿度信息以及PM值中的至少一个；
根据所述生活习惯数据确定的所述属性包括抽烟情况信息、咳嗽情况信息以及身体舒适度信息中的至少一个。
可选的，所述慢阻肺病预测模型的训练过程包括：
获取训练用用户特征数据；
根据所述训练用用户特征数据，确定若干训练用属性集，并确定每个所述训练用属性集对应的慢阻肺复发结果；
根据所述训练用属性集和所述慢阻肺复发结果，构建训练集；
根据所述训练集以及分类回归树算法，对所述至少三个所述属性进行划分，以得到所述慢阻肺病预测模型。
可选的，所述对所述至少三个所述属性进行划分之后还包括：
基于属性划分结果确定交叉属性分类结果，基于所述交叉属性分类结果对属性划分结果进行验证，若所述属性划分结果的准确度小于预设阈值，则重新进行属性划分。
可选的，还包括报告生成模块，所述报告生成模块用于根据所述慢阻肺复发预测结果，生成所述用户的健康建议报告；
对所述健康建议报告，进行如下操作中的至少一种：
显示所述健康建议报告；
将所述健康建议报告发送至预设的服务器；
将所述健康建议报告发送至预设的终端设备。
基于同一发明构思，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任意一项所述的慢阻肺复发预测方法。
基于同一发明构思，本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述任一所述的慢阻肺复发预测方法。
从上面所述可以看出，本说明书一个或多个实施例提供的慢阻肺复发预测方法、装置、电子设备和存储介质，通过用户特征数据确定至少三个属性，并给予这至少三个属性及其赋值以及预先训练的基于决策树的慢阻肺病预测模型，最终得到了用户的慢阻肺复发预测结果。对于处于平缓期的慢阻肺病人来说，通过采集用户特征数据中的身体检测数据、生活环境数据以及生活习惯数据等信息这些会对慢阻肺病人的病情产生影响的数据，对慢阻肺病人的病情复发情况进行预测，能够在病情恶化之前及时提醒病人进行预防或者及早就医，避免病情恶化造成不利影响；同时，体检测数据、生活环境数据以及生活习惯数据等信息均可通过家用检测设备更加容易的获得，不需要病人经常入院检查，为病人和基层医生减轻了负担。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例的慢阻肺复发预测方法流程图；
图2为本说明书一个或多个实施例的阻肺病预测模型的训练过程示意图；
图3为本说明书一个或多个实施例属性集示意图；
图4为本说明书一个或多个实施例的阻肺病预测模型示意图；
图5为本说明书一个或多个实施例的慢阻肺复发预测装置结构图；
图6为本说明书一个或多个实施例的电子设备结构。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如背景技术部分所述，相关技术中的通过人工智能技术进行慢阻肺预测的技术方案，一般基于慢阻肺诊断特征进行慢阻肺复发的预测。其中，慢阻肺诊断特征是指慢阻肺病人病历中的诊断数据，例如从慢阻肺病人病历中获取到的是否有冠心病、前列腺增生、糖尿病、焦虑等疾病或症状等，或者是氧分压、肌酐、嗜酸性粒细胞比率等具体的检查数据。
然而，相关技术中对慢阻肺复发进行预测必须基于病人的诊断数据，而诊断数据一般只能去医院才能获得，这给处于平缓期的慢阻肺病人带来了极大不便。同时，现有技术中虽知道环境等因素能够对慢阻肺病人产生影响，但是却不知具体哪些因素能够导致慢阻肺复发。
同时现有技术一般采用神经网络模型进行慢阻肺复发的预测，由于不知道哪些数据能够影响慢阻肺复发，在训练时需要大量数据训练，影响模型的训练效率。
综合上述考虑，本说明书一个或多个实施例提出一种慢阻肺复发预测方法，基于预先训练的慢阻肺病预测模型，利用身体检测数据、生活环境数据以及生活习惯数据等用户特征数据并基于决策树的慢阻肺病预测模型来预测平缓期慢阻肺病人的慢阻肺复发情况，从而能够使得病人在病情恶化之前进行预防或者提醒处于平缓期的慢阻肺病人及早就医。
以下，通过具体的实施例来详细说明本说明书一个或多个实施例的技术方案。
参考图1，本说明书一个实施例的慢阻肺复发预测方法，包括以下步骤：
步骤S101，获取用户的至少一个用户特征数据；所述用户特征数据包括身体检测数据、生活环境数据以及生活习惯数据。
在本步骤中，首先获取用户特征数据，基于用户特征数据进行后续慢阻肺复发的预测。其中，用户特征数据至少包括有身体检测数据、生活环境数据以及生活习惯数据。
在实现本公开的过程中，发明人发现，慢阻肺病人的实际身体状况、所处的生活环境以及其生活习惯会对处于平缓期的慢阻肺病人的复发情况产生影响。
其中，现实生活中，慢阻肺病人可以通过呼吸机、制氧机、肺功能仪等家用监控仪器来随时获取自己的身体状况信息，并通过呼吸机输出数据、制氧机输出数据以及肺功能仪输出数据等来确定呼吸情况、肺部功能情况等身体检测数据。生活环境数据反应慢阻肺病人所处环境的情况，具体包括所处环境(例如慢阻肺病人的房间内)的温度信息、湿度信息以及PM值等。生活习惯数据反应慢阻肺病人日常生活习惯的一些情况，例如抽烟情况信息(是否抽烟、抽烟的程度)、咳嗽情况信息(是否咳嗽，咳嗽程度等)以及身体舒适度信息等，其中身体舒适度信息用于反应慢阻肺病人身体的整体情况，因此可以基于慢阻肺病人的自我评价来填写。例如，慢阻肺病人在不咳嗽的情况下也可能身体不舒服。
此外，用户特征数据还可以包括血氧仪采集到的血氧数据、呼吸监控设备的呼吸监控数据、用户年龄等。
可选的，每个用户特征数据均对应于一个采集时段，即从某一数据采集的时刻计算，在预设时间范围内采集的其他数据可作为该采集时段内的用户特征数据。由于身体检测数据、生活环境数据以及生活习惯数据均是对应于一个采集时段的，在一个时段内分别采集到的身体检测数据、生活环境数据以及生活习惯数据可以作为一个用户特征数据使用。若某一数据未处于该采集时段中，则可提醒用户在规定时间段内对该数据进行采集。在有需要的情况下，也可选择其他采集时段采集的对应数据作为用户特征数据的一部分。
步骤S103，根据所述用户特征数据，确定至少三个属性并为所述属性赋值，以得到属性集。
在本实施例中，从身体检测数据、生活环境数据以及生活习惯数据中确定至少三个属性，同时为每个属性赋值得到属性集。本实施例中，每个属性集包括该至少三个属性以及对应于每个属性的赋值，属性集可作为训练好的慢阻肺病预测模型的输入以获得慢阻肺复发预测结果。
具体的，在一个实施例中，至少三个属性可以包括身体检测数据、生活环境数据以及生活习惯数据，此时对应的属性集即为{身体检测数据，生活环境数据，生活习惯数据}，对于属性集中的这三个属性分别确定其对应的赋值，即身体检测数据属性对应的身体检测数据实际值、生活环境数据属性对应的生活环境数据实际值以及生活习惯数据属性对应的生活习惯数据实际值。
在一些可选的实施例中，属性可以从身体检测数据、生活环境数据以及生活习惯数据确定。具体的，根据身体检测数据确定的属性中可具体包括呼吸机输出数据、制氧机输出数据以及肺功能仪输出数据中的至少一个；根据所述生活环境数据确定的所述属性包括温度信息、湿度信息以及PM值中的至少一个。根据所述生活习惯数据确定的所述属性包括抽烟情况信息、咳嗽情况信息以及身体舒适度信息中的至少一个。即从身体检测数据、生活环境数据以及生活习惯数据中可分别确定至少一个属性，并根据确定的属性及其赋值以及预先训练好的慢阻肺病预测模型即可获得慢阻肺复发预测结果。
其中，呼吸机输出数据可具体包括呼吸频率、潮气量、每分通气量、氧浓度、吸气时间、吸呼时比、吸气暂停时间以及压力上升时间等，制氧机输出数据可具体包括氧气浓度、吸氧时间、输出压力等，肺功能仪输出数据可具体包括潮气量、补吸气量、补呼气量、残气量、深吸气量、功能残气量、肺活量以及肺总量等，因此从身体检测数据确定的属性可以从上述呼吸机输出数据、制氧机输出数据以及肺功能仪输出数据的具体数据中的一个或几个。
步骤105，根据所述属性集以及基于决策树的慢阻肺病预测模型，得到所述用户的慢阻肺复发预测结果。
在本步骤中，将前述步骤生成的属性集输入预先训练好的慢阻肺病预测模型中，得到该用户的慢阻肺复发预测结果。同时，在本实施例中，慢阻肺病预测模型采用基于决策树的分类回归树(Classification And Regression Tree，CART)算法训练而成。
在一些可选的实施例中，本实施例中以身体检测数据中的肺功能仪输出数据的肺活量、生活环境数据中的温度信息以及生活习惯数据中的咳嗽情况信息作为确定的三个属性为例，详细介绍慢阻肺病预测模型的训练过程。如图2所示，该模型的训练过程包括以下步骤：
步骤201，获取训练用用户特征数据。
首先获取训练用用户特征数据。本实施例中，训练用用户特征数据包括多份包含肺活量、温度信息、咳嗽情况信息以及病情(是否复发)的数据信息，该数据信息可以反映肺活量、温度信息以及咳嗽情况信息与病情是否复发之间的关联关系。
步骤203，根据所述训练用用户特征数据，确定若干训练用属性集，并确定每个所述训练用属性集对应的慢阻肺复发结果。
在本实施例中，从训练用用户特征数据中确定的属性包括{肺活量，温度信息，咳嗽情况信息}。基于训练用用户特征数据为各个属性赋值；其中，属性{肺活量}的赋值可为慢阻肺病人具体的肺活量数值；属性{温度信息}的赋值可为慢阻肺病人所处环境的温度值，咳嗽情况信息的赋值可以仅包括[有，无]。在其他实施例中，若有需要，属性{咳嗽情况信息}的赋值也可为[无，轻微，一般，严重]等更加复杂的特征。此外，还需确认各个训练用属性集中对应的慢阻肺复发结果，其赋值为[复发，不复发]
可选的，由于采集到的用户特征历史数据中的肺活量、温度信息为连续值，由于连续属性的可取值数目不有限，故很难直接根据连续属性的可取值点来进行属性划分，因此可以对连续数据进行离散化处理。以肺活量为例，由于正常人的肺活量范围为：成年男子的肺活量约3500～4000毫升，成年女子约2500～3000毫升。故可以将在给属性{肺活量}赋值时，依据“是否低于正常值”的规则为属性{肺活量}赋值，即可将具体的肺活量值赋值为[是，否]。同时，基于上述规则为属性{温度信息}赋值为[低温，常温]。
此外，在有需要的情况下，也可将肺活量以及温度信息在赋值时进行离散化处理，以属性{温度信息}为例，将具体的温度信息赋值为[低温(小于10℃)，中温(大于等于10℃并小于等于20℃)，常温(大于等于20℃小于30℃)，高温(大于等于30℃)]，最终将一个连续的温度信息属性的赋值转换为四个分类的字段。
步骤205，根据所述训练用属性集和所述慢阻肺复发结果，构建训练集。
在本实施例中，将多条训练用属性集及其对应的慢阻肺复发结果结合，构成训练集。
本说明书实施例中即以属性{肺活量}赋值包括[是，否]、属性{温度信息}赋值为[低温，常温]以及慢阻肺复发结果赋值为[复发，不复发]为例。
步骤207，根据所述训练集以及分类回归树算法，对所述至少三个所述属性进行划分，以得到所述慢阻肺病预测模型。
此外，获得慢阻肺病预测模型之后，还需对该慢阻肺病预测模型的属性划分性能进行验证，其具体步骤包括：基于属性划分结果确定交叉属性分类结果，基于所述交叉属性分类结果对属性划分结果进行验证，若所述属性划分结果的准确度小于预设阈值，则重新进行属性划分；若属性划分结果的准确度大于预设阈值，则完成模型的训练。可选的，预设阈值可以为0.8。
在另一些可选的实施例中，在训练慢阻肺病预测模型时，可获取测试用用户特征数据，其中该测试用用户特征数据与训练用用户特征数据来自同一份样本集。通过该测试用用户特征数据的交叉属性分类结果对该慢阻肺病预测模型进行验证，判断该模型的属性划分结果的准确度是否满足条件。
在本实施例中，可采用基尼指数(Gini index)来进行属性划分，所获得的慢阻肺病预测模型的一种实施方式如图4所示。
如图3所示，当输入慢阻肺病预测模型的属性集X1＝{否，低温，无}时，可知输出的该用户的慢阻肺复发预测结果为“不复发”；当输入慢阻肺病预测模型的属性集X2＝{是，常温，无}时，可知输出的该用户的慢阻肺复发预测结果为“不复发”；当输入慢阻肺病预测模型的属性集X3＝{是，低温，有}时，可知输出的该用户的慢阻肺复发预测结果为“复发”。
通过上述实施例可以看出，本说明书实施例所述的慢阻肺复发预测方法，通过用户特征数据确定至少三个属性，并给予这至少三个属性及其赋值以及预先训练的基于决策树的慢阻肺病预测模型，最终得到了用户的慢阻肺复发预测结果。对于处于平缓期的慢阻肺病人来说，通过采集用户特征数据中的身体检测数据、生活环境数据以及生活习惯数据等信息这些会对慢阻肺病人的病情产生影响的数据，对慢阻肺病人的病情复发情况进行预测，能够在病情恶化之前及时提醒病人进行预防或者及早就医，避免病情恶化造成不利影响；同时，体检测数据、生活环境数据以及生活习惯数据等信息均可通过家用检测设备更加容易的获得，不需要病人经常入院检查，为病人和基层医生减轻了负担。
此外，采用会对慢阻肺病产生影响的用户特征数据并基于决策树的慢阻肺病预测模型获得预测结果，相比于现有技术中仅依靠慢阻肺诊断数据进行预测的方法，本说明书实施例所述技术方案不需慢阻肺病人频繁去医院检查获取慢阻肺诊断数据，为病人节省时间；同时，相比于现有技术，本申请具有更加准确的预测结果。
上述实施例仅为示例性的，仅代表本说明书实施例所采用的一种方式。在本说明书实施例中，确定的属性并不仅限于{肺活量，温度信息，咳嗽情况信息}，还可选择身体检测数据、生活环境数据以及生活习惯数据中其他具体参数，甚至还可包括用户特征数据中的其他参数，如血氧数据、病人年龄等；同时，对属性的赋值也并不限于上述方法。训练后得到的慢阻肺病预测模型也并不限于图4所示的模型。
作为一个可选的实施例，在前述实施例的慢阻肺复发预测方法，于获得用户的慢阻肺复发预测结果之后，还包括以下步骤：
根据所述慢阻肺复发预测结果，生成所述用户的健康建议报告；
对所述健康建议报告，进行如下操作中的至少一种：
显示所述健康建议报告；
将所述健康建议报告发送至预设的服务器；
将所述健康建议报告发送至预设的终端设备。
本实施例中，慢阻肺复发预测结果包括了预测的用户的慢阻肺并是否会复发的信息，根据该慢阻肺并是否会复发的信息可以进一步生成用户的健康建议报告。该健康建议报告可以以慢阻肺复发预测结果为基础，生成对用户的一些指导建议，例如生活环境建议、生活习惯建议或者是其他的生活行为的建议，进而以文本、语音、视频或者是各种多媒体的形式的健康建议报告。
本实施例中，生成健康建议报告后，还进一步将健康建议报告进行推送，具体的对于健康建议报告的推送方式可以灵活选择。
例如，对于本实施例的方法在单一设备上执行的应用场景，可以将健康建议报告直接在当前设备的显示部件(显示屏、投影组件等)上以显示的方式输出，使得用户能够从显示部件上直接看到健康建议报告。
又如，对于本实施例的方法在多个设备组成的系统上执行的应用场景，可以将健康建议报告通过任意的数据通信方式(有线连接、NFC、蓝牙、wifi、蜂窝移动网络等)推送至系统内的其他作为接收方的预设设备上。可选的，该预设设备可以是预设的服务器，服务器一般设置在云端，作为数据的处理和存储中心，其能够将健康建议报告进行存储和分发；其中，分发的接收方是终端设备，该些终端设备的持有者或操作者可以是用户本人、亲人、医生等。
再如，对于本实施例的方法在多个设备组成的系统上执行的应用场景时，可以将健康建议报告通过任意的数据通信方式直接发送至预设的终端设备，终端设备可以是前述段落列举中的一种或多种。
本实施例的慢阻肺复发预测方法，进一步包括了将慢阻肺复发预测方法进一加以处理，生成为用户的健康建议报告并推送的步骤，使得本实施例的方法的应用更加方便。
此外，若用户的健康建议报告中慢阻肺复发预测结果为“复发”，还同时生成警告信息发送给用户以及对应基层医生的终端设备，提醒该用户尽早前往医院进一步检查并治疗。可选的，警告信息可以为文字、语音以及视频等多种形式。
可以理解的是，本说明书一个或多个实施例的方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。
需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，本说明书一个或多个实施例还提供了一种慢阻肺复发预测装置。参考图5，所述的慢阻肺复发预测装置，包括：
获取模块11，用于获取用户的至少一个用户特征数据；所述用户特征数据包括身体检测数据、生活环境数据以及生活习惯数据；
属性确定模块13，用于根据所述用户特征数据，确定至少三个属性并为所述属性赋值，以得到属性集；
结果获得模块15，用于根据所述属性集以及基于决策树的慢阻肺病预测模型，得到所述用户的慢阻肺复发预测结果。
作为一个可选的实施例，所述属性确定模块13还用于实现：
根据所述身体检测数据确定的所述属性包括呼吸机输出数据、制氧机输出数据以及肺功能仪输出数据中的至少一个；
根据所述生活环境数据确定的所述属性包括温度信息、湿度信息以及PM值中的至少一个；
根据所述生活习惯数据确定的所述属性包括抽烟情况信息、咳嗽情况信息以及身体舒适度信息中的至少一个。
作为一个可选的实施例，所述慢阻肺病预测模型的训练过程包括：
获取训练用用户特征数据；
根据所述训练用用户特征数据，确定若干训练用属性集，并确定每个所述训练用属性集对应的慢阻肺复发结果；
根据所述训练用属性集和所述慢阻肺复发结果，构建训练集；
根据所述训练集以及分类回归树算法，对所述至少三个所述属性进行划分，以得到所述慢阻肺病预测模型。
作为一个可选的实施例，所述对所述至少三个所述属性进行划分之后还包括：
基于属性划分结果确定交叉属性分类结果，基于所述交叉属性分类结果对属性划分结果进行验证，若所述属性划分结果的准确度小于预设阈值，则重新进行属性划分。
作为一个可选的实施例，还包括报告生成模块17，所述报告生成模块14用于根据所述慢阻肺复发预测结果，生成所述用户的健康建议报告；
对所述健康建议报告，进行如下操作中的至少一种：
显示所述健康建议报告；
将所述健康建议报告发送至预设的服务器；
将所述健康建议报告发送至预设的终端设备。
在一个可选的实施例中，获取模块11可以包括呼吸机、制氧机、肺功能仪、温度计、湿度计以及终端设备等，通过呼吸机、制氧机、肺功能仪、温度计、湿度计以及终端设备等采集或输入所需的用户特征数据，并将用户特征数据发送至云端的属性确定模块13以及结果获得模块15，通过云端设置的训练后的慢阻肺病预测模型进行处理，再将输出的慢阻肺病预测结果返回至终端设备。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，本说明书一个或多个实施例还提供了一种电子设备。该电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一实施例所述的慢阻肺复发预测方法。
图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
基于同一发明构思，本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行日上任意一实施例所述的慢阻肺复发预测方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (12)
1.一种慢阻肺复发预测方法，其特征在于，包括：
获取用户的至少一个用户特征数据；所述用户特征数据包括身体检测数据、生活环境数据以及生活习惯数据；
根据所述用户特征数据，确定至少三个属性并为所述属性赋值，以得到属性集；
根据所述属性集以及基于决策树的慢阻肺病预测模型，得到所述用户的慢阻肺复发预测结果。
2.根据权利要求1所述的方法，其特征在于，还包括：
根据所述身体检测数据确定的所述属性包括呼吸机输出数据、制氧机输出数据以及肺功能仪输出数据中的至少一个；
根据所述生活环境数据确定的所述属性包括温度信息、湿度信息以及PM值中的至少一个；
根据所述生活习惯数据确定的所述属性包括抽烟情况信息、咳嗽情况信息以及身体舒适度信息中的至少一个。
3.根据权利要求1所述的方法，其特征在于，所述慢阻肺病预测模型的训练过程包括：
获取训练用用户特征数据；
根据所述训练用用户特征数据，确定若干训练用属性集，并确定每个所述训练用属性集对应的慢阻肺复发结果；
根据所述训练用属性集和所述慢阻肺复发结果，构建训练集；
根据所述训练集以及分类回归树算法，对所述至少三个所述属性进行划分，以得到所述慢阻肺病预测模型。
4.根据权利要求3所述的方法，其特征在于，所述对所述至少三个所述属性进行划分之后还包括：
基于属性划分结果确定交叉属性分类结果，基于所述交叉属性分类结果对属性划分结果进行验证，若所述属性划分结果的准确度小于预设阈值，则重新进行属性划分。
5.根据权利要求1所述的方法，其特征在于，还包括：
根据所述慢阻肺复发预测结果，生成所述用户的健康建议报告；
对所述健康建议报告，进行如下操作中的至少一种：
显示所述健康建议报告；
将所述健康建议报告发送至预设的服务器；
将所述健康建议报告发送至预设的终端设备。
6.一种慢阻肺复发预测装置，其特征在于，包括：
获取模块，用于获取用户的至少一个用户特征数据；所述用户特征数据包括身体检测数据、生活环境数据以及生活习惯数据；
属性确定模块，用于根据所述用户特征数据，确定至少三个属性并为所述属性赋值，以得到属性集；
结果获得模块，用于根据所述属性集以及基于决策树的慢阻肺病预测模型，得到所述用户的慢阻肺复发预测结果。
7.根据权利要求6所述的装置，其特征在于，所述属性确定模块还用于实现：
根据所述身体检测数据确定的所述属性包括呼吸机输出数据、制氧机输出数据以及肺功能仪输出数据中的至少一个；
根据所述生活环境数据确定的所述属性包括温度信息、湿度信息以及PM值中的至少一个；
根据所述生活习惯数据确定的所述属性包括抽烟情况信息、咳嗽情况信息以及身体舒适度信息中的至少一个。
8.根据权利要求6所述的装置，其特征在于，所述慢阻肺病预测模型的训练过程包括：
获取训练用用户特征数据；
根据所述训练用用户特征数据，确定若干训练用属性集，并确定每个所述训练用属性集对应的慢阻肺复发结果；
根据所述训练用属性集和所述慢阻肺复发结果，构建训练集；
根据所述训练集以及分类回归树算法，对所述至少三个所述属性进行划分，以得到所述慢阻肺病预测模型。
9.根据权利要求7所述的装置，其特征在于，所述对所述至少三个所述属性进行划分之后还包括：
基于属性划分结果确定交叉属性分类结果，基于所述交叉属性分类结果对属性划分结果进行验证，若所述属性划分结果的准确度小于预设阈值，则重新进行属性划分。
10.根据权利要求6所述的装置，其特征在于，还包括报告生成模块，所述报告生成模块用于根据所述慢阻肺复发预测结果，生成所述用户的健康建议报告；
对所述健康建议报告，进行如下操作中的至少一种：
显示所述健康建议报告；
将所述健康建议报告发送至预设的服务器；
将所述健康建议报告发送至预设的终端设备。
11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任意一项所述的慢阻肺复发预测方法。
12.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1至5任一所述的慢阻肺复发预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010429725.8A CN111613325A (zh) | 2020-05-20 | 2020-05-20 | 一种慢阻肺复发预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010429725.8A CN111613325A (zh) | 2020-05-20 | 2020-05-20 | 一种慢阻肺复发预测方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111613325A true CN111613325A (zh) | 2020-09-01 |
Family
ID=72198903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010429725.8A Pending CN111613325A (zh) | 2020-05-20 | 2020-05-20 | 一种慢阻肺复发预测方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111613325A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115579127A (zh) * | 2022-10-08 | 2023-01-06 | 中南大学 | 一种构建慢阻肺预测模型的方法、系统、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105846780A (zh) * | 2016-03-19 | 2016-08-10 | 上海大学 | 一种基于决策树模型的光伏组件故障诊断方法 |
| CN106897570A (zh) * | 2017-03-02 | 2017-06-27 | 山东师范大学 | 一种基于机器学习的慢性阻塞性肺疾病测试系统 |
| CN108257675A (zh) * | 2018-02-07 | 2018-07-06 | 平安科技（深圳）有限公司 | 慢阻肺发病风险预测方法、服务器及计算机可读存储介质 |
| CN110706822A (zh) * | 2019-09-20 | 2020-01-17 | 上海派拉软件股份有限公司 | 基于逻辑回归模型和决策树模型的健康管理方法 |
-
2020
- 2020-05-20 CN CN202010429725.8A patent/CN111613325A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105846780A (zh) * | 2016-03-19 | 2016-08-10 | 上海大学 | 一种基于决策树模型的光伏组件故障诊断方法 |
| CN106897570A (zh) * | 2017-03-02 | 2017-06-27 | 山东师范大学 | 一种基于机器学习的慢性阻塞性肺疾病测试系统 |
| CN108257675A (zh) * | 2018-02-07 | 2018-07-06 | 平安科技（深圳）有限公司 | 慢阻肺发病风险预测方法、服务器及计算机可读存储介质 |
| CN110706822A (zh) * | 2019-09-20 | 2020-01-17 | 上海派拉软件股份有限公司 | 基于逻辑回归模型和决策树模型的健康管理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 邓星奇 等: "慢性阻塞性肺疾病咨询", 上海交通大学出版社, pages: 61 - 64 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115579127A (zh) * | 2022-10-08 | 2023-01-06 | 中南大学 | 一种构建慢阻肺预测模型的方法、系统、设备及存储介质 |
| CN115579127B (zh) * | 2022-10-08 | 2023-11-21 | 中南大学 | 一种构建慢阻肺预测模型的方法、系统、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6945383B2 (ja) | 評価依頼プログラム、評価依頼方法、及びコンピュータ装置 | |
| CA2546577C (en) | Support vector regression for censored data | |
| CN110996785A (zh) | 生物电磁场中异常的机器判别 | |
| CN106021843A (zh) | 使用个性化的预测模型识别并评级个体层面的风险因子 | |
| CN108135507B (zh) | 用于预测心力衰竭代偿失调的系统和方法 | |
| RU2657384C2 (ru) | Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий | |
| Lee et al. | The Dana-Farber CISNET model for breast cancer screening strategies: an update | |
| US20200203020A1 (en) | Digital twin of a person | |
| JP6282783B2 (ja) | 分析システム及び分析方法 | |
| JP2023546866A (ja) | 臨床判断サポートを提供するためのシステムおよび方法 | |
| WO2020027213A1 (ja) | 認知症リスクの提示システムおよび方法 | |
| JP7466914B2 (ja) | 健康度ポジショニングマップおよび健康関数を作成する方法、システム、およびプログラム、ならびにそれらの使用方法 | |
| Gupta et al. | Probabilistic graphical modeling for estimating risk of coronary artery disease: applications of a flexible machine-learning method | |
| CN111161883A (zh) | 基于变分自编码器的疾病预测系统及其电子设备 | |
| Wang et al. | PulseDB: A large, cleaned dataset based on MIMIC-III and VitalDB for benchmarking cuff-less blood pressure estimation methods | |
| CN117672532B (zh) | 住院患者护理风险评估预警监控系统及方法 | |
| CN111613325A (zh) | 一种慢阻肺复发预测方法、装置、电子设备和存储介质 | |
| CN117216322A (zh) | 一种电子病历的生成方法、装置、设备及存储介质 | |
| Kim et al. | Advances and challenges in sensor-based research in mobility, health, and place | |
| JP5388564B2 (ja) | 糖尿病診療支援システム、コンピュータプログラム、及び記録媒体 | |
| CN115658877A (zh) | 基于强化学习的药物推荐方法、装置、电子设备和介质 | |
| Hong et al. | Predicting risk of mortality in pediatric ICU based on ensemble step-wise feature selection | |
| JP2020166441A (ja) | 生体情報に基づく健康状態推定方法および健康状態推定装置 | |
| Chang et al. | Dynamic measurement scheduling for adverse event forecasting using deep RL | |
| Boverman et al. | Prediction of mortality from respiratory distress among long-term mechanically ventilated patients |
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 |