CN111968745A - 构建vte风险评估模型的方法及vte风险评估方法 - Google Patents
构建vte风险评估模型的方法及vte风险评估方法 Download PDFInfo
- Publication number
- CN111968745A CN111968745A CN202011142307.7A CN202011142307A CN111968745A CN 111968745 A CN111968745 A CN 111968745A CN 202011142307 A CN202011142307 A CN 202011142307A CN 111968745 A CN111968745 A CN 111968745A
- Authority
- CN
- China
- Prior art keywords
- model
- factor
- vte
- risk assessment
- vte risk
- 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
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
- G16H50/30—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了构建VTE风险评估模型的方法及VTE风险评估方法,该方法包括:S1,根据因子模型对电子病历进行数据抽取得到数据集;S2,随机将所述数据集划分成训练集和验证集;S3,将训练集和验证集同时输入到模型池内的各个模型进行训练和验证,并记录各个模型在验证集上的灵敏度、特异度、准确率和AUC;S4,判断模型池内的各个模型的训练次数是否达到设定的迭代次数t,若否则转入S2;S5,选择性能最优的模型作为VTE风险评估模型。通过上述方式,本发明建立了考虑VTE风险因素之间的相互影响的VTE风险评估模型,能够对每位住院患者的个人情况给出VTE风险概率,做到避免出现VTE患者漏诊,提醒医务人员加强监测护理,对减少患者痛苦、降低医疗费用均极具意义。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种构建VTE风险评估模型的方法及VTE风险评估方法。
背景技术
国际急症内科住院患者 VTE 调查结果显示,住院的 VTE 高危患者中仅有39%~40%进行了预防。我国内科 VTE 高危患者接受预防的仅为 13%~20.2%。我国对于 VTE 的认识起步较晚,以往医生对于 VTE 的高危因素、发生率及其给患者造成的严重后果均认识不够,加之 VTE 本身症状隐匿,所以 VTE 漏诊、误诊率较高,VTE 也常被称为“杀手”。近年来,随着临床医师对这一疾病认识的深入,诊断意识和水平的不断提高,国内外医院 VTE的漏诊、误诊率都有很大的降低。另外,虽然国内外的相关指南均推荐对高危患者采取预防治疗措施,但在中国住院患者接受 VTE 预防治疗的比例还非常低。据美国调查,患者进行VTE的治疗所花费的直接医疗费用比卒中还多得多,而一例 DVT 长期医疗的附加费用大于最初治疗费用的75%。
国外常使用Caprini模型对手术患者进行VTE风险评估。Caprini模型是根据患者是否具有各项风险因素来进行打分,如败血症、静脉曲张等危险因素赋值1分;恶行肿瘤、关节镜手术等风险因素赋值2分;狼疮抗凝物阳性、VTE病史赋值3分;脑卒中(1个月内)、择期关节置换术等赋值5分。对于普外科手术,患者的Caprini分数在1-2分属于低危风险,3-4分属于中危风险,大于等于5分属于高危风险。
Caprini模型各项风险因素分数固定,没有考虑到不同因素之间的相互影响,并且最终只是笼统的给出低、中、高风险,没有进行量化。
名词解释:
VTE(Venous Thromboembolism),静脉血栓栓塞。
DVT(Deep Vein Thrombosis),深静脉栓塞,是VTE发展到一定阶段的症状。
AUC(Area Under Curve),被定义为ROC曲线下与坐标轴围成的面积,显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方,所以AUC的取值范围在0.5和1之间。
发明内容
本发明主要解决的技术问题是提供一种构建VTE风险评估模型的方法及VTE风险评估方法,能够现有VTE风险评估模型未考虑风险因素之间的相互影响以及只能给出一个笼统的VTE风险等级的问题。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种构建VTE风险评估模型的方法,包括以下步骤:
步骤1,根据因子模型对电子病历进行数据抽取,得到数据集;
步骤2,随机将所述数据集划分成训练集和验证集;
步骤3,将训练集和验证集同时输入到模型池内的各个模型进行训练和验证,并记录各个模型在验证集上的灵敏度、特异度、准确率和AUC;
步骤4,判断模型池内的各个模型的训练次数是否达到设定的迭代次数t,若否,则转入步骤2;
步骤5,选择性能最优的模型作为VTE风险评估模型。
所述随机将所述数据集划分成训练集和验证集,包括:按照设定比例将数据集随机划分成训练集和验证集;
所述设定比例包括:5:5,6:4,7:3,或8:2。
所述电子病历包括数量相等的VTE患者电子病历和非VTE患者电子病历。
所述因子模型包括:第一因子,所述第一因子的第一影响因素包括:肺栓塞,年龄>60岁,BMI>25kg/m2,下肢水肿,严重肺部疾病,妊娠期或产后,严重感染,近1个月内发生败血症,静脉曲张,急性心肌梗塞,充血性心力衰竭,++呼吸衰竭,肠炎病史,近一个月内的创伤或手术,外源性的激素治疗,化疗,其他风湿性疾病,血清同型半胱氨酸升高,肝素诱导的血小板减少,以及近1个月内发生脑卒中;如上述任一第一影响因素存在,所述第一因子赋值为1,否则赋值为0;
第二因子,所述第二因子的第二影响因素包括:石膏固定、中央静脉置管;如上述任一第二影响因素存在,所述第二因子赋值为2,否则赋值为0;
第三因子,所述第三因子的第三影响因素包括:VTE病史,VTE家族史,关节镜手术,进行过>45min的开放式手术,进行过>45min的腹腔镜手术,择期关节置换术,活动性恶性肿瘤,卧床>72h,狼疮抗凝物阳性,抗心磷脂抗体阳性,具有易栓倾向的原发性高凝危险因素,髋关节,以及骨盆或下肢骨折;如上述任一第三影响因素存在,所述第三因子赋值为3,否则赋值为0;
第四因子,所述第四因子的第四影响因素包括:1个月内发生过急性脊柱损伤;如上述第四影响因素存在,所述第四因子赋值为5,否则赋值为0;
性别因子:如性别为女性,所述性别因子赋值为1,如性别为男性,所述性别因子赋值为2。
所述选择性能最优的模型作为VTE风险评估模型,包括:
对于各类模型的t个训练结果,分别去掉准确率最高和最低的结果;
对剩下t-2次的结果取平均值代表该类模型的性能;
通过比较选出准确率最高的一类模型,然后从该类模型的t-2次训练结果中选出准确率最高的模型作为VTE风险评估模型;
其中,若准确率相同,则依次比较AUC、特异度、灵敏度。
所述模型池,包括:决策树模型,BP神经网络,SVM模型和随机森林模型。
本发明还提出一种基于一种构建VTE风险评估模型的方法得到的VTE风险评估模型的一种VTE风险评估方法,包括:
步骤1,根据因子模型对待筛查患者的电子病历进行数据抽取,得到待筛查用户数据;
步骤2,将所述待筛查用户数据输入到前述方法获得的VTE风险评估模型,得到待筛查患者患VTE的概率。
本发明建立的VTE风险评估模型,考虑了VTE风险因素之间的相互影响,能够对每位住院患者的个人情况进行评估,给出VTE风险概率,采用本发明的VTE风险评估模型的评估方法进行VTE风险评估,能够做到避免出现VTE患者漏诊,提醒医务人员加强护理和监测,对减少患者痛苦、降低医疗费用均极具意义。
附图说明
图1是本发明VTE风险评估模型构建流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1,本发明实施例包括:
一种构建VTE风险评估模型的方法,包括:
步骤1,根据因子模型对电子病历进行数据抽取,得到数据集;
步骤2,随机将数据集划分成训练集和验证集;
步骤3,将训练集和验证集同时输入到模型池内的各个模型进行训练和验证,并记录各个模型在验证集上的灵敏度、特异度、准确率和AUC;
步骤4,模型池内的各个模型的训练次数是否达到设定的迭代次数t,若否,则转入步骤2;
步骤5,选择性能最优的模型作为VTE风险评估模型;
所述因子模型包括:第一因子,所述第一因子的第一影响因素包括:肺栓塞,年龄>60岁,BMI>25kg/m2,下肢水肿,严重肺部疾病,妊娠期或产后,严重感染,近1个月内发生败血症,静脉曲张,急性心肌梗塞,充血性心力衰竭,++呼吸衰竭,肠炎病史,近一个月内的创伤或手术,外源性的激素治疗,化疗,其他风湿性疾病,血清同型半胱氨酸升高,肝素诱导的血小板减少,以及近1个月内发生脑卒中;如上述任一第一影响因素存在,所述第一因子赋值为1,否则赋值为0;
第二因子,所述第二因子的第二影响因素包括:石膏固定、中央静脉置管;如上述任一第二影响因素存在,所述第二因子赋值为2,否则赋值为0;
第三因子,所述第三因子的第三影响因素包括:VTE病史,VTE家族史,关节镜手术,进行过>45min的开放式手术,进行过>45min的腹腔镜手术,择期关节置换术,活动性恶性肿瘤,卧床>72h,狼疮抗凝物阳性,抗心磷脂抗体阳性,具有易栓倾向的原发性高凝危险因素,髋关节,以及骨盆或下肢骨折;如上述任一第三影响因素存在,所述第三因子赋值为3,否则赋值为0;
第四因子,所述第四因子的第四影响因素包括:1个月内发生过急性脊柱损伤;如上述第四影响因素存在,所述第四因子赋值为5,否则赋值为0;
性别因子:如性别为女性,所述性别因子赋值为1,如性别为男性,所述性别因子赋值为2。
所述电子病历包括数量相等的VTE患者电子病历和非VTE患者电子病历。
所述数据集划分成训练集和验证集,包括:按照设定比例将数据集随机划分成训练集和验证集;
所述设定比例包括:5:5,6:4,7:3,或8:2。
所述选择性能最优的模型作为VTE风险评估模型,包括:
对于各类模型的t个训练结果,分别去掉准确率最高和最低的结果;
对剩下t-2次的结果取平均值代表该类模型的性能;
通过比较选出准确率最高的一类模型,然后从该类模型的t-2次训练结果中选出准确率最高的模型作为VTE风险评估模型;
其中,若准确率相同,则依次比较AUC、特异度、灵敏度。
所述模型池,包括:决策树模型,BP神经网络,SVM模型和随机森林模型。
其中,决策树模型,可用于解释多属性的病历数据集;
BP神经网络模型,对多属性的病历数据具有很强的非线性映射能力;
SVM模型,可以避免神经网络结构选择和局部极小点问题;
随机森林模型,可用于多属性高维度的病历数据,泛化能力较强。
各模型将分别在训练集上进行训练,在验证集数据上对模型的灵敏度、特异度、AUC和准确率进行验证,并记录相应结果。
本实施例中设定的迭代次数t=5,将数据集划分成训练集和验证集的比例是7:3。
其中,若准确率相同,则依次比较AUC、特异度、灵敏度。
模型池中各模型经过5次训练和验证后的结果如下:
对于各类模型的5个训练结果,分别去掉准确率最高和最低的结果;
再对剩下3次的结果取平均值代表该类模型的性能:
选取其中结果最高的一类模型,因此选取随机森林模型。
最后,从随机森林模型剩下的三个结果中,选取准确率最高的结果作为VTE风险评估模型,即随机森林模型第四次训练得到的模型。
基于一种构建VTE风险评估模型的方法得到的VTE风险评估模型的一种VTE风险评估方法,其特征在于,包括:
步骤1,根据因子模型对待筛查患者的电子病历进行数据抽取,得到待筛查用户数据;
步骤2,将待筛查用户数据输入到本发明的VTE风险评估模型,得到待筛查患者患VTE的概率;
所述待筛查患者患VTE的概率,是大于零、小于一的数字。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种构建VTE风险评估模型的方法,其特征在于,包括:
步骤1,根据因子模型对电子病历进行数据抽取,得到数据集;
步骤2,随机将所述数据集划分成训练集和验证集;
步骤3,将训练集和验证集同时输入到模型池内的各个模型进行训练和验证,并记录各个模型在验证集上的灵敏度、特异度、准确率和AUC;
步骤4,判断模型池内的各个模型的训练次数是否达到设定的迭代次数t,若否,则转入步骤2;
步骤5,选择性能最优的模型作为VTE风险评估模型。
2.如权利要求1所述的一种构建VTE风险评估模型的方法,其特征在于,所述随机将所述数据集划分成训练集和验证集,包括:按照设定比例将数据集随机划分成训练集和验证集;
所述设定比例包括:5:5,6:4,7:3,或8:2。
3.如权利要求1所述的一种构建VTE风险评估模型的方法,其特征在于,所述电子病历包括数量相等的VTE患者电子病历和非VTE患者电子病历。
4.如权利要求1所述的一种构建VTE风险评估模型的方法,其特征在于,所述因子模型包括:第一因子,所述第一因子的第一影响因素包括:肺栓塞,年龄>60岁,BMI>25kg/m2,下肢水肿,严重肺部疾病,妊娠期或产后,严重感染,近1个月内发生败血症,静脉曲张,急性心肌梗塞,充血性心力衰竭,++呼吸衰竭,肠炎病史,近一个月内的创伤或手术,外源性的激素治疗,化疗,其他风湿性疾病,血清同型半胱氨酸升高,肝素诱导的血小板减少,以及近1个月内发生脑卒中;如上述任一第一影响因素存在,所述第一因子赋值为1,否则赋值为0;
第二因子,所述第二因子的第二影响因素包括:石膏固定、中央静脉置管;如上述任一第二影响因素存在,所述第二因子赋值为2,否则赋值为0;
第三因子,所述第三因子的第三影响因素包括:VTE病史,VTE家族史,关节镜手术,进行过>45min的开放式手术,进行过>45min的腹腔镜手术,择期关节置换术,活动性恶性肿瘤,卧床>72h,狼疮抗凝物阳性,抗心磷脂抗体阳性,具有易栓倾向的原发性高凝危险因素,髋关节,以及骨盆或下肢骨折;如上述任一第三影响因素存在,所述第三因子赋值为3,否则赋值为0;
第四因子,所述第四因子的第四影响因素包括:1个月内发生过急性脊柱损伤;如上述第四影响因素存在,所述第四因子赋值为5,否则赋值为0;
性别因子:如性别为女性,所述性别因子赋值为1,如性别为男性,所述性别因子赋值为2。
5.如权利要求1所述的一种构建VTE风险评估模型的方法,其特征在于,所述选择性能最优的模型作为VTE风险评估模型,包括:
对于各类模型的t个训练结果,分别去掉准确率最高和最低的结果;
对剩下t-2次的结果取平均值代表该类模型的性能;
通过比较选出准确率最高的一类模型,然后从该类模型的t-2次训练结果中选出准确率最高的模型作为VTE风险评估模型;
其中,若准确率相同,则依次比较AUC、特异度、灵敏度。
6.如权利要求1所述的一种构建VTE风险评估模型的方法,其特征在于,所述模型池,包括:决策树模型,BP神经网络,SVM模型和随机森林模型。
7.一种VTE风险评估方法,其特征在于,包括:
步骤1,根据因子模型对待筛查患者的电子病历进行数据抽取,得到待筛查用户数据;
步骤2,将所述待筛查用户数据输入到通过所述权利要求1-6中任一权利要求所述方法获得的VTE风险评估模型中,得到待筛查患者患VTE的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011142307.7A CN111968745A (zh) | 2020-10-23 | 2020-10-23 | 构建vte风险评估模型的方法及vte风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011142307.7A CN111968745A (zh) | 2020-10-23 | 2020-10-23 | 构建vte风险评估模型的方法及vte风险评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111968745A true CN111968745A (zh) | 2020-11-20 |
Family
ID=73387635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011142307.7A Pending CN111968745A (zh) | 2020-10-23 | 2020-10-23 | 构建vte风险评估模型的方法及vte风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968745A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114334064A (zh) * | 2022-01-14 | 2022-04-12 | 四川大学华西医院 | 一种患者准入模型构建方法及系统 |
CN114550855A (zh) * | 2020-11-25 | 2022-05-27 | 上海森亿医疗科技有限公司 | 基于人工智能的静脉血栓栓塞症预测方法、装置、终端及介质 |
CN114898829A (zh) * | 2022-06-01 | 2022-08-12 | 昆明理工大学 | 一种静脉血栓栓塞症危险因素抽取的方法 |
CN114974592A (zh) * | 2022-07-04 | 2022-08-30 | 中南大学湘雅医院 | 一种vte防治与预警管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108498076A (zh) * | 2018-04-19 | 2018-09-07 | 金华市中心医院 | 住院病人静脉血栓栓塞症安全管理系统及应用 |
CN109512388A (zh) * | 2018-10-13 | 2019-03-26 | 顿晓熠 | 一种新型静脉血栓栓塞症风险及预后预测模型 |
CN110363239A (zh) * | 2019-07-04 | 2019-10-22 | 中国人民解放军国防科技大学 | 一种面向多模态数据的小样本机器学习方法、系统和介质 |
US20190385696A1 (en) * | 2018-05-31 | 2019-12-19 | Korea Advanced Institute Of Science And Technology | Method for predicting disease risk based on analysis of complex genetic information |
-
2020
- 2020-10-23 CN CN202011142307.7A patent/CN111968745A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108498076A (zh) * | 2018-04-19 | 2018-09-07 | 金华市中心医院 | 住院病人静脉血栓栓塞症安全管理系统及应用 |
US20190385696A1 (en) * | 2018-05-31 | 2019-12-19 | Korea Advanced Institute Of Science And Technology | Method for predicting disease risk based on analysis of complex genetic information |
CN109512388A (zh) * | 2018-10-13 | 2019-03-26 | 顿晓熠 | 一种新型静脉血栓栓塞症风险及预后预测模型 |
CN110363239A (zh) * | 2019-07-04 | 2019-10-22 | 中国人民解放军国防科技大学 | 一种面向多模态数据的小样本机器学习方法、系统和介质 |
Non-Patent Citations (2)
Title |
---|
李想 等: "静脉血栓栓塞症智能评估与自动预警系统的开发与应用", 《医疗卫生装备》 * |
王立军 等: "大数据技术下静脉血栓风险智能预警系统设计与建设", 《中国数字医学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550855A (zh) * | 2020-11-25 | 2022-05-27 | 上海森亿医疗科技有限公司 | 基于人工智能的静脉血栓栓塞症预测方法、装置、终端及介质 |
CN114334064A (zh) * | 2022-01-14 | 2022-04-12 | 四川大学华西医院 | 一种患者准入模型构建方法及系统 |
CN114898829A (zh) * | 2022-06-01 | 2022-08-12 | 昆明理工大学 | 一种静脉血栓栓塞症危险因素抽取的方法 |
CN114974592A (zh) * | 2022-07-04 | 2022-08-30 | 中南大学湘雅医院 | 一种vte防治与预警管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111968745A (zh) | 构建vte风险评估模型的方法及vte风险评估方法 | |
Tsai et al. | Health-related quality of life as a predictor of mortality among community-dwelling older persons | |
Jaarsma et al. | Sexual function in patients with advanced heart failure | |
Lynn et al. | Living and dying with chronic obstructive pulmonary disease | |
Hameed et al. | Outcomes of a COVID‐19 recovery program for patients hospitalized with SARS‐CoV‐2 infection in New York City: A prospective cohort study | |
Nelson et al. | The COOP function charts: a system to measure patient function in physicians’ offices | |
Karlson et al. | Insomnia symptoms and well-being: Longitudinal follow-up. | |
Yates et al. | Clinical features of depression in outpatients with and without co-occurring general medical conditions in STAR* D: confirmatory analysis | |
KR20190132290A (ko) | 환자 진단 학습 방법, 서버 및 프로그램 | |
Cooper et al. | Factors associated with health status of older Americans | |
Burns et al. | Sexual functioning as a moderator of the relationship between masculinity and men's adjustment following treatment for prostate cancer | |
Lee et al. | Effect of type D personality on short-term cardiac rehabilitation in patients with coronary artery disease | |
Lin et al. | Obstructive sleep apnea is associated with an increased risk of venous thromboembolism | |
Boyle-Walker et al. | Sleep Apnea Syndrome Represents a Risk for Glaucoma in a Veterans′ Affairs Population | |
Yu et al. | [Retracted] A Retrospective Study of Diaphragmatic Breathing Training Combined with Discharge Care Bundles in Patients with Chronic Obstructive Pulmonary Disease | |
Auld et al. | Profiles of partner health linked to a partner-focused intervention following patient initial implantable cardioverter defibrillator (ICD) | |
Pape et al. | Presentation, diagnosis, and outcomes of acute aortic dissection: seventeen-year trends from the international registry of acute aortic dissection | |
Sanuade et al. | Stroke in Ghana: A systematic literature review | |
Liao et al. | Risk stratification and cost‐effectiveness analysis of adult patients receiving extracorporeal membrane oxygenation | |
Karkkainen et al. | Sleep and activity prediction for type 2 diabetes management using continuous glucose monitoring | |
Shevchenko et al. | Verification of information in a large medical database using linkages with external databases | |
Sun et al. | Prediction of sepsis among patients with major trauma using artificial intelligence: a multicenter validated cohort study | |
Xiao et al. | Generalizability of superalarm via cross-institutional performance evaluation | |
Huang et al. | Safety Influencing Factors and Management Countermeasures of Patients Transferred from ICU in Transition Period Based on Intelligent Processor Three‐Dimensional Quality Model | |
MANDERSCHEID et al. | American Mental Health Services after the Affordable Care Act |
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: 20201120 |