CN111968757A - 一种基于动态网络标志物的区域性传染病疫情预警方法 - Google Patents
一种基于动态网络标志物的区域性传染病疫情预警方法 Download PDFInfo
- Publication number
- CN111968757A CN111968757A CN202010730553.8A CN202010730553A CN111968757A CN 111968757 A CN111968757 A CN 111968757A CN 202010730553 A CN202010730553 A CN 202010730553A CN 111968757 A CN111968757 A CN 111968757A
- Authority
- CN
- China
- Prior art keywords
- network
- node
- regional
- local network
- early warning
- 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 48
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 36
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 26
- 239000003550 marker Substances 0.000 title claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000013079 data visualisation Methods 0.000 abstract 1
- 108090000623 proteins and genes Proteins 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 208000020061 Hand, Foot and Mouth Disease Diseases 0.000 description 2
- 208000025713 Hand-foot-and-mouth disease Diseases 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000005750 disease progression Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000005623 Carcinogenesis Diseases 0.000 description 1
- 241000711573 Coronaviridae Species 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 208000007212 Foot-and-Mouth Disease Diseases 0.000 description 1
- 241000710198 Foot-and-mouth disease virus Species 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000036952 cancer formation Effects 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 230000024245 cell differentiation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000005252 hepatitis A Diseases 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 201000004409 schistosomiasis Diseases 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000007704 transition Effects 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于动态网络标志物的区域性传染病疫情预警方法，该方法使用正规化处理之后的区域平均就诊数据作为计算数据，根据各个区域的地理分布信息和区域间的邻接关系构建城市网络；然后提出景观动态网络标志物方法来计算每个区域对应的L‑DNM得分；最后根据不同时刻的L‑DNM得分，使用合理阈值判断出传染病疫情的预警信号。相对于传统方法中使用的就诊人数数据直接判断，本发明所使用的景观动态网络标志物方法将传染病的传播与爆发分为三个阶段，即正常阶段、预爆发阶段和爆发阶段。与临床就诊量陡然增加的爆发阶段不同，预爆发阶段与正常阶段没有显著差异。另外，本发明提供多种数据可视化形式，直观展现疫情中的预警信号。
Description
技术领域
本发明涉及数据挖掘技术领域，具体涉及一种基于动态网络标志物(DynamicNetwork Marker，DNM)的区域性传染病疫情预警方法。
背景技术
随着经济全球化的发展和人员流动的增多，传染性疾病的传播和蔓延变得更快更广，且难以控制。世界各国面临着新老传染病的双重威胁，少数传染病将被消灭，已经基本控制的传染病又卷土重来，新传染病不断被陆续发现；近年有多起重大传染性疾病的爆发流行，如SARS的爆发流行、甲型肝炎流行和血吸虫病的再次增多，特别是最近发生的新型冠状病毒引发的肺炎疫情。可见，不管对于常规季节性传染病还是突发性新型传染病，建立一个基于城市网络的监测预警系统非常重要。有效的传染病疫情检测方法通过持续而系统性地收集、分析和解释健康数据，有可能尽早探测到爆发，有助于疾病的预防和控制。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于动态网络标志物的区域性传染病疫情预警方法，并且最终识别出传染病传播过程中的分级预警信号。
本发明的目的可以通过采取如下技术方案达到：
一种基于动态网络标志物的区域性传染病疫情预警方法，给定区域邻接表数据和区域对应的疫情确诊人数数据，构建区域性城市网络来识别疫情爆发信号，该预警方法包括如下步骤：
S1、构建区域性城市网络。具体地，根据各个区域的地理分布信息和区域间的邻接关系构建有权无向图。在图中，每一个节点代表一个地理区域(如县、市、省等)，图中的边代表两个节点的邻接关系。两个节点通过一条边相连，则表示两个节点可以直接通达。
S2、将传染病监测数据映射到城市网络图中。具体地，每一个区的传染病确诊人数即为对应节点的值。随着时间的推移，构建的城市网络将成为一个动态变化的网络图，其中，节点大小和边的权重都在时刻变化。
S3、计算景观动态网络标志物得分，简称DNM Scores。具体地，首先将城市网络切分为若干个小的局部网络。每一个局部网络包含一个中心节点和它的所有一阶邻居。对于有n个节点的局部网络，即一个中心节点和n-1个一阶邻居节点，在t时刻局部网络的得分It计算如下：
It＝|ΔSDt(in)|[|ΔPCCt(in)|+|ΔPCCt(out)|]
其中，|ΔSDt(in)|是局部网络中所有节点标准差的绝对值，详细的计算公式如下：
其中，n表示局部网络内的节点数量，SDt(i)表示局部网络中的节点i在t时刻的标准差；
|ΔPCCt(in)|是局部网络内节点i和节点j的皮尔逊相关系数，详细的计算公式如下：
其中，n表示局部网络一共有n个节点，PCCt(i,j)表示局部网络内节点i和节点j在t时刻的皮尔逊相关系数；
|ΔPCCt(out)|是局部网络内的一个节点x与局部网络外一个节点y的皮尔逊相关系数。详细的计算公式如下：
其中，n表示局部网络一共有n个节点，PCCt(x,y)表示局部网络内的一个节点x与局部网络外一个节点y在t时刻的皮尔逊相关系数。
值得注意的是，在以上计算过程中，以滑动窗口的方式来处理正规化后的数据，即基于每五周滑动窗口大小的传染病确诊数据来计算标准差和皮尔逊相关系数。
S4、基于DNM得分判断出多级预警信号。详细地，设置一个合适的阈值Mthreshold作为预警信号的判断依据，当达到相应的阈值时发出相应级别的预警。对于不同的疾病，阈值的设置不尽相同，即传染性强的传染病阈值设置要低。阈值Mthreshold的计算公式如下：
其中，It(i)代表在时间t，n个节点的城市网络中节点i的得分It。
本发明相对于现有技术具有如下的优点及效果：
1)本发明使用正规化的数据(该地区确诊总人数/该地区定点医院数量)作为计算原始数据，因为每个地区的人口数与诊所的数量大致成正比。
2)本发明方法将传染病的传播与爆发分为三个阶段，即正常阶段、预爆发阶段和爆发阶段。与临床就诊量陡然增加的爆发阶段不同，预爆发阶段与正常阶段没有显著差异。同时因为复杂的生物系统和社会系统，一般方法预测出预爆发阶段是非常有难度的。DNM方法则可以很好地克服以上难点，识别出预爆发阶段，给出传染病疫情的预警信号。
3)本发明根据区域的地理位置信息和区域间的邻接关系构建出宏观的城市网络。传统方法中只是根据单一地区的就诊人数来判断，忽略了传染病的传播能力和地区间的相关信息。使用城市网络带来的增益信息可以克服样本量小的问题，并通过局部网络的重叠性修正测不准的局部网络。
4)相比于传统的预警信号给出标准，本发明采用全新的阈值计算方式，这种方法包含了当前时刻及其之前的所有时刻的数据，大大提高了预警信号的置信度。
附图说明
图1是本发明公开的一种基于景观动态网络标志物的区域性传染病疫情预警方法的流程图；
图2是本发明实施例中日本东京都23个区的城市网络图；
图3是本发明实施例中设计滑动窗口处理的计算方法示意图；
图4是本发明实施例中2012年和2017年的预警信号结果图；
图5是本发明实施例中公开的方法与机器学习方法的效果对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
本实施例是以收集到的日本东京都23个区2009-2018年的手足口病就诊数据集为原始数据，利用基于动态网络标志物的区域性传染病疫情预警方法来识别每一年份的预警信号。本实施例不仅指导说明本发明的方法步骤，同时佐证方法的有效性。原始数据收集自日本东京都传染病监测中心官方网站。
图1是本发明的基于动态网络标志物的区域性传染病疫情预警方法的流程图，具体包括以下步骤：
S1、如图1的S1.1中，输入区域邻接表，并根据输入的区域邻接表构建区域性城市网络。
邻接表是存储无向图的常用结构。邻接表是一个二维容器，第一维描述某个节点，第二维描述该点所对应的邻接节点。本实施例中，根据输入的区域邻接表就可以得到每个子区域与其他子区域的邻接关系，从而构建出一个无向图，即区域性城市网络。无向图中的每个节点与某个子区域对应，无向图中相邻的两个节点，表示实际地理位置相邻的两个子区域。
详细地，如图2所示，举例说明，minato区对应编号1，相关邻接表对应的信息为{…,1:[2，3，4，5，6],…},即编号1的区域与编号2、3、4、5、6五个区域是相邻的。以此类推，最终构建出一个23个节点的有权无向图。详细的23个节点信息见图2。
如图1的S1.2中输入各区域疫情数据，并对疫情数据进行正规化处理。由于每个地区的人口数与诊所的数量大致成正比，所以用该地区就诊总人数除以该地区定点医院数量，得到的该地区平均就诊人数即为正规化处理后的数据。举例说明，2015年的第30周日本东京koto区共计206例感染手足口病的病例，该区域定点医院有9家，因此正规化后的平均就诊人数为22.89例/家。
S2、将S1中经过正规化的疫情数据映射到S1中构建的区域性城市网络中。详细地，S1中经过正规化的疫情数据表示区域性城市网络各个区域的平均就诊人数。正规化的疫情数据与图中节点是一一对应关系，按此对应关系进行映射。随着时间的推移，构建的城市网络成为一个节点信息动态变化的网络图。
S3、对于映射后的区域性城市网络(一个节点信息动态变化的无向网络图)，采用动态网络标志物方法计算景观动态网络标志物得分(DNM Scores)。具体方法如下：
1)设计五周时间作为滑动窗口处理动态变化的城市网络图。滑动窗口的详细使用如图3所示。举例说明，在计算相关性时，使用第1-5周的数据计算节点i,j的皮尔逊相关系数。
2)城市网络切分为若干个小的局部网络。每一个局部网络包含一个中心节点和它的所有一阶邻居。
3)对于有n个节点的局部网络(1个中心节点和n-1个一阶邻居节点)，计算t时刻局部网络中所有节点标准差的绝对值。具体计算方法如下：
4)在上述局部网络中，计算t时刻网络内部节点i和节点j的皮尔逊相关系数。具体计算方法如下：
5)在上述局部网络中，计算t时刻局部网络内的一个节点x与局部网络外一个节点y的皮尔逊相关系数|ΔPCCt(out)|。具体计算方法和|ΔPCCt(in)|计算类似。
其中，n表示局部网络一共有n个节点，PCCt(i,j)表示局部网络内的一个节点x与局部网络外一个节点y在t时刻的皮尔逊相关系数。
6)基于3)、4)、5)中的计算，可以计算出t时刻该局部网络中心节点的DNM得分It。具体计算方法如下：
It＝|ΔSDt(in)|[|ΔPCCt(in)|+|ΔPCCt(out)|]，其中，|ΔSDt(in)|是局部网络中所有节点标准差的绝对值，|ΔPCCt(in)|是局部网络内节点i和节点j的皮尔逊相关系数，|ΔPCCt(out)|是局部网络内的一个节点i与局部网络外一个节点j的皮尔逊相关系数。
7)基于6)中的计算，可以以此类推计算出在t时刻，东京都城市网络划分出的23个局部网络中心节点i的DNM得分It(i)。
S4、使用S3中得到的不同时刻(T＝1,…,T＝t)23个节点对应的DNM得分It(i)，计算出每一时刻阈值Mthreshold。具体方法如下：
对于东京都手足口病的传播和爆发情况，当某一时刻阈值达到5倍，则传染病疫情监测系统发出橙色预警；当某一时刻阈值达到10倍，则传染病疫情检测系统发出最高级红色预警。
对于本实例中，挑选有代表性的两个年份(2012年，2017年)展示预警效果。如图4所示，本发明方法给出的预警信号距离真实就诊人数爆发周，提前4-8周时间。可以让各区域疾控中心充分认识到疫情的发展趋势并及时采取有效的防控措施。另外，还与机器学习中的逻辑回归预测方法进行对比，并绘制出两种方法的ROC曲线，如图5所示。可以看出，在仅使用东京都定点医院就诊记录的条件下，基于DNM方法的监测系统比基于逻辑回归方法的预测系统表现更好。
综上所述，本实施例公开了一种基于景观动态网络标志物的区域性传染病疫情预警方法，该方法的理论背景为动态网络生物标志物(Dynamic network biomarker，DNB)。该理论通过分析驱动生物分子的动力学，即导致传染病发展临界状态转变的一组基因和蛋白质，来识别疾病发展的临界阶段。DNB方法最早应用于以基因和蛋白质调控为主的微观生物分子网络中，并取得了令人满意的结果，包括细胞癌变的临界点、细胞分化的临界点以及检测各种生物学过程中的临界期。不同于以基因和蛋白质调控为主的微观生物分子网络，本预警方法根据区域间的地理分布和人口流动来构建宏观城市网络。基于这种城市网络，景观动态网络标志物(Landscape Dynamic Network Marker，L-DNM)方法有助于研究疫情动态，有效地发现任何潜在传染病疫情的预警信号，从而达到预警和预防的目的。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (6)
1.一种基于动态网络标志物的区域性传染病疫情预警方法，其特征在于，所述的区域性传染病疫情预警方法包括下列步骤：
S1、输入区域邻接表，并根据输入的区域邻接表构建区域性城市网络，同时，输入各区域疫情数据，并对疫情数据进行正规化处理；
S2、将经过正规化的各区域疫情数据映射到所述的区域性城市网络中；
S3、对于映射后的区域性城市网络，采用景观动态网络标志物方法计算景观动态网络标志物得分，简称DNM Scores；
S4、根据计算得到的DNM Scores，判断当前DNM Scores是否达到阈值标准，若达到则发出预警信号；反之则继续到下一时刻，重复执行步骤S3和步骤S4继续判断并识别预警信号。
2.根据权利要求1所述的一种基于动态网络标志物的区域性传染病疫情预警方法，其特征在于，所述的步骤S1中根据输入的区域邻接表构建区域性城市网络的过程如下：
根据输入的区域邻接表得到每个子区域与其他子区域的邻接关系，从而构建出一个无向图，即区域性城市网络，该无向图中每个节点与一个子区域对应，无向图中相邻的两个节点，表示实际地理位置相邻的两个子区域。
3.根据权利要求1所述的一种基于动态网络标志物的区域性传染病疫情预警方法，其特征在于，所述的步骤S1中对疫情数据进行正规化处理的过程如下：
将该地区就诊总人数除以该地区定点医院数量得到该地区平均就诊人数，该地区平均就诊人数即为正规化处理后的数据。
4.根据权利要求1所述的一种基于动态网络标志物的区域性传染病疫情预警方法，其特征在于，所述的步骤S2中将正规化的疫情数据映射到区域性城市网络中的过程如下：
分区域将正规化的疫情数据按输入时的对应关系映射到区域性城市网络对应的子区域中。
5.根据权利要求1所述的一种基于动态网络标志物的区域性传染病疫情预警方法，其特征在于，所述的步骤S3中所采用的景观动态网络标志物方法如下：
首先将区域性城市网络切分为若干个小的局部网络，每一个局部网络包含一个中心节点和它的所有一阶邻居，对于有n个节点的局部网络，则有一个中心节点和n-1个一阶邻居节点，在t时刻局部网络的得分It计算如下：
It＝|ΔSDt(in)|[|ΔPCCt(in)|+|ΔPCCt(out)|]
其中，|ΔSDt(in)|是局部网络中所有节点标准差的绝对值，其计算公式如下：
|ΔPCCt(in)|是局部网络内节点i和节点j的皮尔逊相关系数，其计算公式如下：
|ΔPCCt(out)|是局部网络内的一个节点x与局部网络外的一个节点y的皮尔逊相关系数，其计算公式如下：
6.根据权利要求1所述的一种基于动态网络标志物的区域性传染病疫情预警方法，其特征在于，所述的标准阈值是根据传染病类型和多年数据预设置的经验值，设置为之前所有时刻DNM Scores平均值的3-10倍。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010730553.8A CN111968757A (zh) | 2020-07-27 | 2020-07-27 | 一种基于动态网络标志物的区域性传染病疫情预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010730553.8A CN111968757A (zh) | 2020-07-27 | 2020-07-27 | 一种基于动态网络标志物的区域性传染病疫情预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111968757A true CN111968757A (zh) | 2020-11-20 |
Family
ID=73362968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010730553.8A Pending CN111968757A (zh) | 2020-07-27 | 2020-07-27 | 一种基于动态网络标志物的区域性传染病疫情预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111968757A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113744882A (zh) * | 2021-09-17 | 2021-12-03 | 腾讯科技（深圳）有限公司 | 目标区域的确定方法、装置、设备以及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096276A (zh) * | 2016-06-13 | 2016-11-09 | 江南大学 | 一种基于动态网络标志物的甲流疫情早期预警模型 |
| CN106777935A (zh) * | 2016-12-05 | 2017-05-31 | 广东石油化工学院 | 一种基于网络结构的疾病动态预测方法 |
| CN111415753A (zh) * | 2020-03-06 | 2020-07-14 | 杭州云象网络技术有限公司 | 一种基于区块链的疫情监测预警方法及系统 |
-
2020
- 2020-07-27 CN CN202010730553.8A patent/CN111968757A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096276A (zh) * | 2016-06-13 | 2016-11-09 | 江南大学 | 一种基于动态网络标志物的甲流疫情早期预警模型 |
| CN106777935A (zh) * | 2016-12-05 | 2017-05-31 | 广东石油化工学院 | 一种基于网络结构的疾病动态预测方法 |
| CN111415753A (zh) * | 2020-03-06 | 2020-07-14 | 杭州云象网络技术有限公司 | 一种基于区块链的疫情监测预警方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| CHEN, PEI等: "Detecting early-warning signals of influenza outbreak based on dynamic network marker", JOURNAL OF CELLULAR AND MOLECULAR MEDICINE, vol. 23, no. 1, pages 395 - 404 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113744882A (zh) * | 2021-09-17 | 2021-12-03 | 腾讯科技（深圳）有限公司 | 目标区域的确定方法、装置、设备以及存储介质 |
| CN113744882B (zh) * | 2021-09-17 | 2023-09-19 | 腾讯科技（深圳）有限公司 | 目标区域的确定方法、装置、设备以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | A deep-learning-based framework for severity assessment of COVID-19 with CT images | |
| Lang et al. | Graph-based semi-supervised one class support vector machine for detecting abnormal lung sounds | |
| WO2022160370A1 (zh) | 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 | |
| CN114141378A (zh) | 数据分析方法和设备 | |
| Li et al. | Spatial heterogeneity in the determinants of urban form: an analysis of Chinese cities with a GWR approach | |
| Zhang et al. | Identifying diabetic macular edema and other retinal diseases by optical coherence tomography image and multiscale deep learning | |
| Chadaga et al. | Predicting cervical cancer biopsy results using demographic and epidemiological parameters: a custom stacked ensemble machine learning approach | |
| Mayya et al. | Multi-scale convolutional neural network for accurate corneal segmentation in early detection of fungal keratitis | |
| Al-Mualemi et al. | A deep learning-based sepsis estimation scheme | |
| Rahmawati et al. | Using C-support vector classification to forecast dengue fever epidemics in Taiwan | |
| CN111968757A (zh) | 一种基于动态网络标志物的区域性传染病疫情预警方法 | |
| Li et al. | BCRAM: A social-network-inspired breast cancer risk assessment model | |
| CN114067999A (zh) | 肺癌临床决策、教学、科研辅助支持系统及方法 | |
| EP3584326B1 (en) | Method and system for identification of key driver organisms from microbiome / metagenomics studies | |
| Xu et al. | Incorporating medical domain knowledge into data-driven method: A vessel attention guided multi-granularity network for automatic cataract classification | |
| Zhang et al. | Identifying pre-outbreak signals of hand, foot and mouth disease based on landscape dynamic network marker | |
| Long et al. | The risk assessment tool for intensive care unit readmission: A systematic review and meta-analysis | |
| Pi | Gray level co-occurrence matrix and Schmitt neural network for Covid-19 diagnosis | |
| CN113326745A (zh) | 一种通过图像识别技术判识造口情况应用系统 | |
| CN112768060A (zh) | 基于随机生存森林的肝癌术后复发预测方法、存储介质 | |
| CN114068001A (zh) | 头颈部肿瘤临床决策、教学、科研辅助支持系统及方法 | |
| CN103218542B (zh) | 一种构建蛋白网络的功能指纹图谱的方法 | |
| Liu et al. | Recognition of cervical precancerous lesions based on probability distribution feature guidance | |
| US20230068453A1 (en) | Methods and systems for determining and displaying dynamic patient readmission risk and intervention recommendation | |
| Cecchetti | Why introduce machine learning to rural health care? |
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 |