CN112365988B - 一种预后预测系统 - Google Patents
一种预后预测系统 Download PDFInfo
- Publication number
- CN112365988B CN112365988B CN202011245504.1A CN202011245504A CN112365988B CN 112365988 B CN112365988 B CN 112365988B CN 202011245504 A CN202011245504 A CN 202011245504A CN 112365988 B CN112365988 B CN 112365988B
- Authority
- CN
- China
- Prior art keywords
- unit
- medical records
- value
- self
- prediction
- 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
- G16H50/70—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
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种预后预测系统,包括数据输入单元、因素单元、自搜寻单元、自返回单元、处理器、滤除规则库、显示单元、存储单元和自预测单元;本发明能够根据用户的基本数据,进行相关的病历搜寻,同时会在搜寻的基础上进行相关病历情况进行匹配,在最为类似的情况下,进行相关的康复几率统计,并根据统计结果,给予对应医生提供相应的技术帮助,在一定程度上提高医生的治病效率,同时提升病人的康复可能性;本发明简单有效,且易于实用。
Description
技术领域
本发明属于预后预测领域,具体是一种预后预测系统。
背景技术
高通量技术的发展,使得从微观的角度系统的研究基因与疾病的关系变得可能,逐步开始从基因谱的角度全面研究基因、疾病和治疗手段间的关系,筛选出与疾病相关的敏感基因,有助于临床医生制定个性化治疗方案,从源头上提高疾病的控制率,建立预后模型,可以有助于医生制定个性化治疗方案,提高预后生存质量。随机生存森林可以提取与疾病具有密切关系的基因,而nomogram可以利用敏感基因建立患者预后预测模型。
而且,当前对于用户的病患,缺乏一种有效的生存预测方式,也没有根据生存预测结果给予不同的方法推荐,有助于提高病人的康复几率;为了解决这一问题,现提供一种解决方案。
发明内容
本发明的目的在于提供一种预后预测系统。
本发明的目的可以通过以下技术方案实现:
一种预后预测系统,包括数据输入单元、因素单元、自搜寻单元、自返回单元、处理器、滤除规则库、显示单元、存储单元和自预测单元;
其中,所述数据输入单元用于录入病人的基本信息,基本信息包括年龄、性别、患病时间、患病名称和个人病历;所述数据输入单元用于将病人的基本信息传输到因素提取单元,所述因素提取单元接收数据输入单元传输的病人的基本信息,并结合自搜寻单元对基本信息进行相关要素获取操作,得到核选病历;
所述自搜寻单元用于将核选病历和个人病历传输到自返回单元,所述自返回单元用于将核选病历和个人病历传输到处理器,所述处理器接收自返回单元传输的核选病历和个人病历;
所述处理器用于将核选病历和个人病历传输到自预测单元,所述自预测单元用于结合滤除规则库对核选病历和个人病历进行预测操作,得到预测存值;预测操作的具体步骤为:
S1:获取到核选病历和个人病历;
S2:根据个人病历,获取到在对应患该病之前预设时间段T1时间内,生病次数,将该生病次数标记为关联次数,将该关联次数标记为受预生病次数;
S3:之后获取到所有的核选病历中的关联次数,将对应的关联次数标记为筛选关联次数;
S4:根据受预生病次数和筛选关联次数确定对应核选病历的参考逆值,得到参考逆值组,具体确定方式为:
参考值=(受预生病次数-筛选关联次数)*P2;
P2为预设值,且P2≤0.1;
S5:获取到所有的核选病历,计算其存值;具体方式为:
当对应核选病历康复则将存值标记为1*参考值;
否则则将存值标记为0;
S6:将所有核选病历的存值相加,并将和值除以所有核选病历的份数,将该商值标记为预测存值;
S7:当预测存值低于低限存值时,低限存值为用户预设值,自动依照参考逆值从小到大的顺序获取前三位核选病历的治疗方法,并将该治疗方法标记为推荐方法。
进一步地,所述相关要素获取操作的具体步骤为:
步骤一:获取到病人的基本信息;
步骤二:将基本信息内的年龄、性别、患病时间和患病名称融合形成初抉条件;
步骤三:利用自搜寻单元根据初抉条件进行初择步骤,得到综合差值Zi,i=1...n,n为正整数,且表示为对应所有初选病历的对应综合差值;
步骤四:将综合差值Zi低于P1对应的初选病历标记为核选病历,P1为预设值。
进一步地,步骤三中的初择步骤具体的步骤为:
S1:首先根据患病名称,直接获取到患有该病的所有过往病历,过往病历指代为其他人患有该病的具体时间,治疗方法及其结果;
S2:之后利用性别,对过往病历进行进一步筛选,只选取性别相同的病历,得到初选病历;
S3:之后根据患病时间,将初选病历中患该病的时间减去对应病人的患病时间,得到差值并将其标记为界限差值;得到所有初选病历与对应患病时间的界限差值,将其标记为界限差值组Ci,i=1...n;
S4:获取到初选病历所有的年龄与患病病人的年龄之间的差值,将其标记为年龄差值组Ni,i=1...n;其中,n为正整数,且Ni与Ci一一对应;
S5:利用公式计算综合差值Zi,具体计算公式为:
Zi=0.632*Ni+0.368*Ci;
式中,0.632和0.368均为预设的权值。
进一步地,所述自预测单元用于将预测存值返回到处理器,所述处理器用于将预测存值融合病人的基本信息得到对应病人的预测信息,所述处理器用于将预测信息和推荐方法传输到显示单元进行实时显示。
进一步地,所述处理器用于将预测信息传输到存储单元进行实时存储。
本发明的有益效果:
本发明能够根据用户的基本数据,进行相关的病历搜寻,同时会在搜寻的基础上进行相关病历情况进行匹配,在最为类似的情况下,进行相关的康复几率统计,并根据统计结果,给予对应医生提供相应的技术帮助,在一定程度上提高医生的治病效率,同时提升病人的康复可能性;本发明简单有效,且易于实用。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明预测系统的系统框图;
图2为本发明预测原理图;
图3为本发明随机生存森林流程图;
图4为本发明诺模图流程图。
具体实施方式
如图1所示,一种预后预测系统,包括数据输入单元、因素单元、自搜寻单元、自返回单元、处理器、滤除规则库、显示单元、存储单元和自预测单元;
其中,所述数据输入单元用于录入病人的基本信息,基本信息包括年龄、性别、患病时间、患病名称和个人病历;所述数据输入单元用于将病人的基本信息传输到因素提取单元,所述因素提取单元接收数据输入单元传输的病人的基本信息,并结合自搜寻单元对基本信息进行相关要素获取操作,具体操作步骤为:
步骤一:获取到病人的基本信息;
步骤二:将基本信息内的年龄、性别、患病时间和患病名称融合形成初抉条件;
步骤三:利用自搜寻单元根据初抉条件进行初择步骤,具体为:
S1:首先根据患病名称,直接获取到患有该病的所有过往病历,过往病历指代为其他人患有该病的具体时间,治疗方法及其结果;
S2:之后利用性别,对过往病历进行进一步筛选,只选取性别相同的病历,得到初选病历;
S3:之后根据患病时间,将初选病历中患该病的时间减去对应病人的患病时间,得到差值并将其标记为界限差值;得到所有初选病历与对应患病时间的界限差值,将其标记为界限差值组Ci,i=1...n;
S4:获取到初选病历所有的年龄与患病病人的年龄之间的差值,将其标记为年龄差值组Ni,i=1...n;其中,n为正整数,且Ni与Ci一一对应;
S5:利用公式计算综合差值Zi,具体计算公式为:
Zi=0.632*Ni+0.368*Ci;
式中,0.632和0.368均为预设的权值,因为不同因素对最终结果影响不同,故此引入权值予以提现;
步骤四:将综合差值Zi低于P1对应的初选病历标记为核选病历,P1为预设值;
所述自搜寻单元用于将核选病历和个人病历传输到自返回单元,所述自返回单元用于将核选病历和个人病历传输到处理器,所述处理器接收自返回单元传输的核选病历和个人病历;
所述处理器用于将核选病历和个人病历传输到自预测单元,所述自预测单元用于结合滤除规则库对核选病历和个人病历进行预测操作,具体操作步骤为:
S1:获取到核选病历和个人病历;
S2:根据个人病历,获取到在对应患该病之前预设时间段T1时间内,生病次数,将该生病次数标记为关联次数,将该关联次数标记为受预生病次数;
S3:之后获取到所有的核选病历中的关联次数,将对应的关联次数标记为筛选关联次数;
S4:根据受预生病次数和筛选关联次数确定对应核选病历的参考逆值,得到参考逆值组,具体确定方式为:
参考值=(受预生病次数-筛选关联次数)*P2;
P2为预设值,且P2≤0.1;
S5:获取到所有的核选病历,计算其存值;具体方式为:
当对应核选病历康复则将存值标记为1*参考值;
否则则将存值标记为0;
S6:将所有核选病历的存值相加,并将和值除以所有核选病历的份数,将该商值标记为预测存值;
S7:当预测存值低于低限存值时,低限存值为用户预设值,自动依照参考逆值从小到大的顺序获取前三位核选病历的治疗方法,并将该治疗方法标记为推荐方法;
所述自预测单元用于将预测存值和推荐方法返回到处理器,所述处理器用于将预测存值融合病人的基本信息得到对应病人的预测信息,所述处理器用于将预测信息和推荐方法传输到显示单元进行实时存储;
所述处理器用于将预测信息传输到存储单元进行实时存储。
其中,所述自预测单元还用于采取下述方式对病人进行相关预测,具体原理可如图2所示,总结为:
生存函数具有变量X=(X1,,X2,…,Xm)的观察对象的生存时间T大于某时刻t的概率,S(t,X)=P(T>t,X)称为生存函数。生存函数S(t,X)又称为累积生存率。
死亡函数具有变量X的观察对象的生存时间T不大于某时刻t的概率,F(t,X)=P(T≤t,X)称为死亡函数。死亡函数F(t,X)的实际意义是当观察随访到t时刻的累积死亡率。
死亡密度函数具有变量X的观察对象在某时刻t的瞬时死亡率,称为死亡密度函数。
危险率(风险)函数具有变量X,且生存时间已达到t的观察对象在时刻t的瞬时死亡率,
危险率函数h(t,X)是一个条件瞬间死亡率.
同时,如图3所示,本发明具体可采用随机生存森林建立生存树模型进行预测,随机生存森林是在随机森林基础上,加入生存分析,采用bootstrap方法从原始数据中有放回的随机抽取N个样本,建立生存树模型,而袋外37%样本测试生存树模型;
假设在树节点h上有n(h)例样本,(T1,δ1),…,(Tn,δn)表示他们的生存时间和截尾信息,δ=0表示个体i在时间Ti时右截位,δ=1表示在时间Ti时死亡,则给定的一个变量Xj(j=1,2,…,m),在节点h处可以根据Xj≤c和Xj>c将生存数据分为两组数据。
RSF在每棵树的节点处,随机选择M个变量作为分割节点的候选变量,选择使子节点生存差异最大的分支。
树节点分裂准则采用Log-Rank分裂方法,计算生存函数采用Kaplan-Meier估计方法。
为了选择极少最重要的基因变量,可以依据变量的重要性(VIMP)对变量进行筛选,VIMP值越大表明其预测能力越强,具体流程图见图3。
当然,本发明还可以采用如图4所示的诺模图流程图进行预测,诺模图在cox模型基础上建立了生存率列线图,可根据患者个体的各因素取值水平直接进行个体化预测,临床医师可以通过此预测模型直观、形象的预测患者预后生存率,制定合理有效的治疗方案,以达到保证患者生命质量的情况下,减少过度治疗。
列线图由三个图尺表示一个包含三个变量的方程,如图4所示。其中典型方程为f(u)+f(v)=f(w),如果已知两个变量,则过该变量图尺上相应的变量点做一条直线,该直线与第三图尺的交点就是所求第三变量值。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (3)
1.一种预后预测系统,其特征在于,包括数据输入单元、因素单元、自搜寻单元、自返回单元、处理器、滤除规则库、显示单元、存储单元和自预测单元;
其中,所述数据输入单元用于录入病人的基本信息,基本信息包括年龄、性别、 患病时间、患病名称和个人病历;所述数据输入单元用于将病人的基本信息传输到因 素提取单元,所述因素提取单元接收数据输入单元传输的病人的基本信息,并结合自 搜寻单元对基本信息进行相关要素获取操作,得到核选病历;
所述自搜寻单元用于将核选病历和个人病历传输到自返回单元,所述自返回单元 用于将核选病历和个人病历传输到处理器,所述处理器接收自返回单元传输的核选病 历和个人病历;
所述处理器用于将核选病历和个人病历传输到自预测单元,所述自预测单元用于 结合滤除规则库对核选病历和个人病历进行预测操作,得到预测存值;预测操作的具 体步骤为:
S1:获取到核选病历和个人病历;
S2:根据个人病历,获取到在对应患该病之前预设时间段 T1 时间内,生病次数,将该生病次数标记为关联次数,将该关联次数标记为受预生病次数;
S3:之后获取到所有的核选病历中的关联次数,将对应的关联次数标记为筛选关 联次数;
S4:根据受预生病次数和筛选关联次数确定对应核选病历的参考值,得到参考值组,具体确定方式为:
参考值= (受预生病次数-筛选关联次数)×P2;
P2 为预设值,且 P2≤0.1;
S5:获取到所有的核选病历,计算其存值;具体方式为:
当对应核选病历康复则将存值标记为 1×参考值;
否则则将存值标记为 0;
S6:将所有核选病历的存值相加,并将和值除以所有核选病历的份数,将得到的商值标记为预测存值;
S7:当预测存值低于低限存值时,低限存值为用户预设值, 自动依照参考值从小到大的顺序获取前三位核选病历的治疗方法,并将该治疗方法标记为推荐方法;
相关要素获取操作的具体步骤为:
步骤一:获取到病人的基本信息;
步骤二:将基本信息内的年龄、性别、患病时间和患病名称融合形成初抉条件;
步骤三:利用自搜寻单元根据初抉条件进行初择步骤,得到综合差值Zi,i= 1...n,n为正整数,且表示为对应所有初选病历的对应综合差值;
步骤四:将综合差值Zi低于 P1 对应的初选病历标记为核选病历,P1 为预设值;
步骤三中的初择步骤具体的步骤为:
首先根据患病名称,直接获取到患有该病的所有过往病历,过往病历指代为 其他人患有该病的具体时间,治疗方法及其结果;
之后利用性别,对过往病历进行进一步筛选,只选取性别相同的病历,得到 初选病历;
之后根据患病时间,将初选病历中患该病的时间减去对应病人的患病时间, 得到差值并将其标记为界限差值;得到所有初选病历与对应患病时间的界限差值,将 其标记为界限差值组 Ci,i=1...n;
获取到初选病历所有的年龄与患病病人的年龄之间的差值,将其标记为年龄 差值组Ni,i=1...n;其中,n 为正整数,且 Ni 与 Ci 一一对应;
利用公式计算综合差值Zi,具体计算公式为:
Zi=0.632×Ni+0.368×Ci;
式中,0.632 和 0.368 均为预设的权值。
2.根据权利要求 1 所述的一种预后预测系统,其特征在于,所述自预测单元用于将预测存值返回到处理器,所述处理器用于将预测存值融合病人的基本信息得到对应 病人的预测信息,所述处理器用于将预测信息和推荐方法传输到显示单元进行实时显 示。
3.根据权利要求 1 所述的一种预后预测系统,其特征在于,所述处理器用于将预测信息传输到存储单元进行实时存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011245504.1A CN112365988B (zh) | 2020-11-10 | 2020-11-10 | 一种预后预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011245504.1A CN112365988B (zh) | 2020-11-10 | 2020-11-10 | 一种预后预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112365988A CN112365988A (zh) | 2021-02-12 |
CN112365988B true CN112365988B (zh) | 2023-08-04 |
Family
ID=74509182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011245504.1A Active CN112365988B (zh) | 2020-11-10 | 2020-11-10 | 一种预后预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365988B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118039176A (zh) * | 2024-03-05 | 2024-05-14 | 河北省儿童医院 | 细胞因子检测数据的处理方法、装置、终端及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106169165A (zh) * | 2015-05-20 | 2016-11-30 | 詹宇 | 面向诊疗数据的症状层次关联及预测方法 |
CN109215754A (zh) * | 2018-09-10 | 2019-01-15 | 平安科技(深圳)有限公司 | 病历数据处理方法、装置、计算机设备和存储介质 |
CN109785928A (zh) * | 2018-12-25 | 2019-05-21 | 平安科技(深圳)有限公司 | 诊疗方案推荐方法、装置及存储介质 |
WO2020056195A1 (en) * | 2018-09-13 | 2020-03-19 | Human Longevity, Inc. | Personalized recommenders for disease risk |
CN111370117A (zh) * | 2020-05-12 | 2020-07-03 | 济南市第四人民医院 | 一种用于结直肠癌治疗人群的预后预测系统 |
CN111863137A (zh) * | 2020-05-28 | 2020-10-30 | 上海朴岱生物科技合伙企业(有限合伙) | 一种基于高通量测序数据和临床表型构建复杂疾病状态评估方法及应用 |
-
2020
- 2020-11-10 CN CN202011245504.1A patent/CN112365988B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106169165A (zh) * | 2015-05-20 | 2016-11-30 | 詹宇 | 面向诊疗数据的症状层次关联及预测方法 |
CN109215754A (zh) * | 2018-09-10 | 2019-01-15 | 平安科技(深圳)有限公司 | 病历数据处理方法、装置、计算机设备和存储介质 |
WO2020056195A1 (en) * | 2018-09-13 | 2020-03-19 | Human Longevity, Inc. | Personalized recommenders for disease risk |
CN109785928A (zh) * | 2018-12-25 | 2019-05-21 | 平安科技(深圳)有限公司 | 诊疗方案推荐方法、装置及存储介质 |
CN111370117A (zh) * | 2020-05-12 | 2020-07-03 | 济南市第四人民医院 | 一种用于结直肠癌治疗人群的预后预测系统 |
CN111863137A (zh) * | 2020-05-28 | 2020-10-30 | 上海朴岱生物科技合伙企业(有限合伙) | 一种基于高通量测序数据和临床表型构建复杂疾病状态评估方法及应用 |
Non-Patent Citations (1)
Title |
---|
糖尿病患者维持性血液透析生存分析及预测模型构建;陈颖;沈毅;贾玉敏;沈燕;戴厚永;吴建华;陈晓岚;范亚平;黄希;袁莉;;肾脏病与透析肾移植杂志(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112365988A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023202508A1 (zh) | 一种基于认知图谱的全科患者个性化诊疗方案推荐系统 | |
Peng et al. | Random forest can predict 30‐day mortality of spontaneous intracerebral hemorrhage with remarkable discrimination | |
Denti et al. | A common atoms model for the Bayesian nonparametric analysis of nested data | |
Morrison | Genealogies: pedigrees and phylogenies are reticulating networks not just divergent trees | |
KR102320580B1 (ko) | 딥러닝을 이용한 근시 진행 예측 방법 및 시스템 | |
JP2007265347A (ja) | 健康指導支援装置、システム、及びプログラム | |
Alzahani et al. | An overview of data mining techniques applied for heart disease diagnosis and prediction | |
CN102405473A (zh) | 医护点动作医疗系统和方法 | |
Crump et al. | Quantifying epidemiological drivers of gambiense human African Trypanosomiasis across the Democratic Republic of Congo | |
French | Palaeolithic Europe: A demographic and social prehistory | |
Nardini et al. | Learning equations from biological data with limited time samples | |
CN110046757B (zh) | 基于LightGBM算法的门诊量预测系统及预测方法 | |
CN112365988B (zh) | 一种预后预测系统 | |
CN110598786A (zh) | 神经网络的训练方法、语义分类方法、语义分类装置 | |
Shen et al. | A scenario-driven decision support system for serious crime investigation | |
CN115862869A (zh) | 一种基于因果网络不确定性推理的疾病预测预警系统 | |
Miah et al. | Emerging insights of health informatics research: A literature analysis for outlining new themes | |
Bigman et al. | Revisiting a central prediction of the Gill Oxygen Limitation Theory: Gill area index and growth performance | |
Evirgen et al. | Prediction and diagnosis of diabetic retinopathy using data mining technique | |
Li et al. | The Strehler–Mildvan correlation from the perspective of a two-process vitality model | |
JPWO2010064413A1 (ja) | 薬剤の作用・副作用予測システムとそのプログラム | |
KR102083995B1 (ko) | 코호트를 이용한 질환 발병 네트워크 구축 방법 및 이를 기록한 컴퓨터 판독 가능한 기록매체 | |
Nunes et al. | Explaining Artificial Intelligence Predictions of Disease Progression with Semantic Similarity. | |
Xu et al. | An integrated epidemic modelling framework for the real-time forecast of COVID-19 outbreaks in current epicentres | |
Prajapati et al. | Designing AI to Predict Covid-19 Outcomes by Gender |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |