CN112786203A - 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 - Google Patents
一种机器学习糖尿病视网膜病变发病风险预测方法及应用 Download PDFInfo
- Publication number
- CN112786203A CN112786203A CN202110232854.2A CN202110232854A CN112786203A CN 112786203 A CN112786203 A CN 112786203A CN 202110232854 A CN202110232854 A CN 202110232854A CN 112786203 A CN112786203 A CN 112786203A
- Authority
- CN
- China
- Prior art keywords
- data
- diabetic retinopathy
- module
- model
- 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
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
Abstract
本发明提供一种机器学习糖尿病视网膜病变发病风险预测方法。所述方法包括:数据获取模块:获取代谢组学数据;数据预处理模块:对获取的数据进行预处理;机器学习模块:以进行糖尿病视网膜病变风险预测为目的,基于机器学习算法和代谢组学数据,构建预测模型;显示输出模块:对所得到的待预测样本进行测试,并输出预测结果。预测结果为1表示有糖尿病视网膜病变患病风险,当结果为0表示没有糖尿病视网膜病变患病风险。应用本发明实施例,基于以随机森林和支持向量机算法为主的技术,结合代谢组学特征,构建糖尿病视网膜病变风险预测模型。可用于提高决策效率,指导非医护人员进行疾病风险检测或辅助临床决策,实现疾病的三级预防和推动发展全民健康的目的。
Description
技术领域
本发明属于一种使用机器学习算法构建模型并采用新型预测因子预测糖尿病视网膜病变发病风险的方法。
背景技术
疾病风险预测主要是应用于辅助临床决策,敏感性人群的健康检测,用于非医护人员进行疾病风险检测。
糖尿病是一组以高血糖为特征、由多病因导致的代谢性疾病。而糖尿病视网膜病变是糖尿病患者最常见的微血管并发症之一,也是导致患者失明的主要原因,增加了个人和社会的疾病和经济负担。
目前,糖尿病视网膜病变风险的预测主要包括依赖医护人员的专业知识或使用传统危险因素构建的简单预测模型两种。通过医务人员的经验和自我学习对疾病进行判断是目前临床的主要手段,然而,疾病的复杂性、可变性、不确定性以及就医人群的增加,对疾病的风险评估提出了准确、高效的新要求。基于传统的风险预测因子构建的简单预测模型,能够一定程度的提高疾病预测的效率。但目前简单预测模型的预测能力较低,敏感性和特异性较差,不能满足临床要求。传统的风险预测因子如糖化血红蛋白、空腹血糖值、餐后血糖值和病程等,其风险预测水平仅在群体层面,针对个体而言常常造成防治过度或者防治不充分,不能提供个体水平的风险教育、监测和治疗方案。
发明内容
本发明克服了医护人员风险预测的效率低,标准不统一,存在主观差异,以及简单预测模型的预测能力低,传统预测因子构建模型个体针对性差等问题。与传统模型相比,先进的人工智能算法在医学数据处理方面更具优越性,机器学习模型的预测结果具有更高的准确率。基于疾病的多病因理论,本发明使用了除传统危险因素以外的具有个体特异性的预测因子。
本发明的目的是提高决策效率,指导非医护人员进行疾病风险检测或辅助临床决策,实现疾病的三级预防和推动发展全民健康。为实现上述目的,本发明公开了如下的技术内容:
1. 一种机器学习糖尿病视网膜病变发病风险预测方法,其特征在于它包括数据获取模块、数据预处理模块、机器学习模块和显示输出模块,其中:
(1)数据获取模块连接医院数据库,用于获取医院数据库中2型糖尿病患者的临床病例数据,每个临床病例数据包括患者的代谢组学数据和对应的临床检验结果。
(2)数据预处理模块的输入端与数据获取模块的输出端连接,对数据集进行缺失值插补、抽样、标准化和删去近似零方差特征。使用随机森林模型进行数据缺失值插补;使用bootstrap进行数据抽样,使样本数据中糖尿病视网膜病变患者和非糖尿病视网膜病变患者数量相同;使用归一化和离散化处理进行数据标准化,将患者代谢组学数据的度量单位和格式进行统一;删除近似零方差变量的目的是去除样本数据中的不平衡变量,以得到稳定理想的模型。
(3)机器学习模块的输入端与数据预处理模块的输出端连接,该模块的结构如下:
① 数据集划分:使用bootstrap将样本数据划分为训练集和测试集,划分比例为2:1;
② 特征变量筛选:使用随机森林进行特征变量筛选;
③ 构建随机森林模型和支持向量机模型:根据筛选后的变量构建随机森林模型和支持向量机模型,使用N折交叉验证重抽样进行参数调整,选择最优模型;
④ 内部验证:使用最优随机森林模型和支持向量机模型对测试集进行内部验证,使用曲线下面积、假阳性率、假阴性率和准确率评估模型的预测能力;
⑤ 外部验证:基于独立验证集进行预测,并根据上述评估指标对模型的预测能力进行评估。
(4)显示输出模块的输入端与所述机器学习模块的输出端连接,输出模型的风险预测结果,其中,结果“1”表示存在糖尿病视网膜病变患病风险,结果“0”表示没有糖尿病视网膜病变患病风险。
本发明进一步公开了机器学习糖尿病视网膜病变发病风险预测方法在非医护人员进行风险检测或辅助临床决策方面的应用。实验结果显示,该模型具有较好的特征解释性,预测效率高,能够辅助临床决策,并能够帮助非医护人员进行风险检测。
本发明更加详细的描述如下:
(1)按照纳入排除标准选择研究人群,纳入标准包括:诊断为2型糖尿病或使用抗糖药物的患者。其中,并发2型糖尿病视网膜病变的患者被纳入病例组;确诊为2型糖尿病或使用抗糖药物但无并发视网膜病变的患者被纳入对照组;排除标准包括:患者年龄小于18岁,或缺乏代谢指标数据。
(2)利用代谢组学技术,对生物样品中代谢途径的底物和分子代谢产物中的氨基酸、脂肪肉碱进行高通量定量分析。通过配备AB Sciex 4000 QTrap系统的直接进样质谱仪测定代谢物。使用高纯水和乙腈作为稀释剂和流动相,采用1-丁醇和乙酰氯提取样品。
(3)数据预处理模块。对缺失值进行统计,对于缺失值少于30%的特征,使用随机森林模型进行插补,插补次数为6次,决策树的数目设置为300棵。设置随机种子以保证模型的可重复性。进行归一化和离散化处理,筛除方差接近0的特征。使用pearson相关分析检查特征之间的相关性,如存在相关系数>0.9的两个特征,将方差较小者删除。
① 机器学习模块。使用bootstrap法,将数据集重抽样,分为训练集和测试集。bootstrap是一种从给定训练集中有放回的均匀抽样方法,原始数据集中每个观察单位被抽到的概率相等。
② 基于测试集进行正负样本的均衡化,即将正负样本例数较多者进行重抽样,使得样本数据中患糖尿病视网膜病变的人数与不患糖尿病视网膜病变的人数相同。
③ 在均衡后的训练集中,使用随机森林进行特征筛选。随机森林是利用多棵决策树对样本进行训练并预测的一种分类器。
④ 使用筛选后的变量分别构建随机森林模型和支持向量机模型,利用N折交叉验证重抽样进行参数的调整。N折交叉验证是将数据集A随机分为k个包,每次将其中一个包作为测试集,剩下k-1个包作为训练集进行训练的抽样方法。选用10折测试,重复10次。根据交叉验证的结果,选择最优模型。支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器,其决策边界是对学习样本求解的最大边距超平面。
⑤ 在测试集中评估模型的预测能力,包括曲线下面积、假阳性率、假阴性率和准确率。曲线下面积是指受试者工作特征曲线(receiver operating characteristiccurve,ROC)下与坐标轴围成的面积,可通过对ROC下各部分的面积求和而得。假阳性率:判定为正例却不是真正例的概率,即真负例中判为正例的概率。假阴性率:判定为负例却不是真负例的概率,即真正例中判为负例的概率。准确率:预测结果与实际结果一致的概率。
⑥ 显示输出模块。在独立验证集中进行预测,评估模型的预测能力,并输出预测结果。
本发明公开的糖尿病视网膜病变发病风险预测方法与现有技术相比所具有的积极效果在于:
(1)相较于传统预测模型所使用的临床指标,代谢指标因受疾病影响而更早出现变化,因此使用代谢组指标数据建立的糖尿病视网膜病变发病风险预测模型能够在疾病发生的前期进行预测,有助于2型糖尿病患者及早采取针对并发症的预防和干预措施;
(2)通过变量筛选得到有效的代谢指标,进而根据有效代谢指标建立预测模型,有效减小数据计算量;
(3)本发明在获取代谢指标信息后使用随机森林法进行有效变量筛选,能够自动提取有效特征,减少了对医学先验知识的需求;
(4)使用机器学习算法构建模型,模型的稳定性更好,预测能力更高;
(5)使用代谢性指标作为新的特征,能够满足针对特定个体预测的要求。
附图说明
图1为糖尿病视网膜病变发病风险预测系统流程示意图。
具体实施方式
下面通过具体的实施方案叙述本发明。除非特别说明,本发明中所用的技术手段均为本领域技术人员所公知的方法。另外,实施方案应理解为说明性的,而非限制本发明的范围,本发明的实质和范围仅由权利要求书所限定。对于本领域技术人员而言,在不背离本发明实质和范围的前提下,对这些实施方案中的物料成分和用量进行的各种改变或改动也属于本发明的保护范围。本发明所用原料及试剂均有市售。
本发明所用到的数据获取模块、数据预处理模块、机器学习模块和显示输出模块程序均通过开源软件R(4.0.1)编写,所使用的开源R包括attice,ggplot2,caret,randomForest,pROC,AppliedPredictiveModeling,grid,DMwR,lars,Matrix,glmnet,kernlab。上述软件及R包互联网均可获得。
实施例1
如图1所示,本发明提供一种基于机器学习和代谢特征的糖尿病视网膜病变风险预测模型。所述方法包括:对需预测人群血样进行代谢组学检测,获取代谢组学特征数据;对收集的原始数据进行预处理,使用随机森林模型填补缺失值,并对数据进行归一化和离散化处理;将预处理后的数据,使用基于随机森林和支持向量机构建的模型进行预测,并输出预测结果,如果输出结果为1则存在糖尿病视网膜病变患病风险,如果输出结果为0则不存在糖尿病视网膜病变患病风险。
如上所述,本发明实施例提供一种基于机器学习算法和代谢特征的糖尿病视网膜病变风险预测方法,利用以随机森林和支持向量机算法为主的技术,结合代谢组学数据,构建糖尿病视网膜病变风险预测模型。可用于帮助非医护人员进行风险检测以及提高临床决策效率,实现疾病的三级预防和推动发展全民健康的目的。
实施例2
见图1,某患者在医院抽血后,血样由工作人员使用高通量分析仪器进行分析,获得氨基酸、肉碱数据;工作人员将氨基酸肉碱数据填写进预处理模块,运行预处理程序;将预处理后的数据放入模型中,运行预测程序;输出预测结果,某患者的代谢数据使用该模型的预测结果为1,表明其有糖尿病视网膜病变患病风险。
实施例3
某受试者在某公司获取代谢分析报告后,将报告提交工作人员,工作人员依照检测结果,使用预处理模块将数据进行预处理分析。将预处理后的数据,使用模型进行预测。预测输出的结果为0,则该受试者没有糖尿病视网膜病变患病风险。
实施例4
某社区对所有2型糖尿病患者进行了体检,将空腹8小时候后的血样交由工作人员进行高通量代谢组学分析,将获得的代谢数据批量放入预处理模块,将预处理后的数据使用模型进行预测,以评估该社区2型糖尿病患者并发视网膜病变风险高的人群占比,为健康宣教及疾病风险干预提供依据。
在详细说明的较佳实施例之后,熟悉该项技术人士可清楚地了解,在不脱离上述申请专利范围与精神下可进行各种变化与修改,凡依据本发明的技术实质对以上实施例所作任何简单修改、等同变化与修饰,均属于本发明技术方案的范围。且本发明亦不受说明书中所举实例实施方式的限制。
Claims (2)
1.一种机器学习糖尿病视网膜病变发病风险预测方法,其特征在于包括数据获取模块、数据预处理模块、机器学习模块和显示输出模块,其中:
(1)数据获取模块:连接医院数据库,用于获取医院数据库中2型糖尿病患者的临床病例数据,每个临床病例数据包括患者的代谢组学数据和对应的临床检验结果,其中,代谢组学数据应包括氨基酸与氨基酸比值及肉碱与肉碱比值;
(2)数据预处理模块:该模块的输入端与数据获取模块的输出端连接,进行数据缺失值插补、抽样、标准化和删去近似零方差特征;
使用随机森林模型进行数据缺失值插补;使用bootstrap进行数据抽样,使样本数据中糖尿病视网膜病变患者和非糖尿病视网膜病变患者数量相同;使用归一化和离散化处理进行数据标准化,将患者的代谢组学数据的度量单位和格式进行统一;删去近似零方差变量的目的是去除样本数据中的不平衡变量,以得到稳定理想的模型;
(3)机器学习模块:输入端与数据预处理模块的输出端连接,该模块的结构如下:
① 数据集划分:使用bootstrap将样本数据划分为训练集和测试集,划分比例为2:1;
② 特征变量筛选:使用随机森林进行特征变量筛选;
③ 构建随机森林模型和支持向量机模型:根据筛选后的变量构建随机森林模型和支持向量机模型,使用N折交叉验证重抽样进行参数调整,选择最优模型;
④ 内部验证:使用最优随机森林模型和支持向量机模型对测试集进行内部验证,使用曲线下面积、假阳性率、假阴性率和准确率评估模型的预测能力;
⑤ 外部验证:基于独立验证集进行预测,并根据上述评估指标对模型的预测能力进行评估;
(4)显示输出模块:将显示输出模块的输入端与机器学习模块的输出端连接,输出模型的风险预测结果,其中,结果“1”表示存在糖尿病视网膜病变患病风险,结果“0”表示没有糖尿病视网膜病变患病风险。
2.权利要求1所述机器学习糖尿病发病风险预测方法可用于非医护人员进行疾病风险检测或辅助临床决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110232854.2A CN112786203A (zh) | 2021-03-03 | 2021-03-03 | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110232854.2A CN112786203A (zh) | 2021-03-03 | 2021-03-03 | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112786203A true CN112786203A (zh) | 2021-05-11 |
Family
ID=75762178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110232854.2A Pending CN112786203A (zh) | 2021-03-03 | 2021-03-03 | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112786203A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113539478A (zh) * | 2021-06-24 | 2021-10-22 | 山西医科大学 | 基于代谢组学的深静脉血栓形成预测模型的建立方法 |
CN113555107A (zh) * | 2021-05-17 | 2021-10-26 | 上海交通大学医学院附属瑞金医院 | 一种人体代谢状态量化管理分析系统及方法 |
CN115346665A (zh) * | 2022-10-19 | 2022-11-15 | 南昌大学第二附属医院 | 视网膜病变发病风险预测模型的构建方法、系统及设备 |
CN116682564A (zh) * | 2023-07-27 | 2023-09-01 | 首都医科大学附属北京友谊医院 | 基于机器学习的近视牵引性黄斑病变风险预测方法及装置 |
CN117038088A (zh) * | 2023-10-09 | 2023-11-10 | 北京鹰瞳科技发展股份有限公司 | 糖尿病视网膜病变的发病确定方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106979982A (zh) * | 2016-01-19 | 2017-07-25 | 上海市第六人民医院 | 一种用于糖尿病风险预测、治疗评价的方法及试剂盒 |
WO2019244646A1 (ja) * | 2018-06-18 | 2019-12-26 | 日本電気株式会社 | 疾病リスク予測装置、疾病リスク予測方法および疾病リスク予測プログラム |
CN111968748A (zh) * | 2020-08-21 | 2020-11-20 | 南通大学 | 一种糖尿病并发症预测模型的建模方法 |
CN112117006A (zh) * | 2020-09-23 | 2020-12-22 | 重庆医科大学 | 基于集成学习的2型糖尿病肾脏疾病患病风险评估系统 |
-
2021
- 2021-03-03 CN CN202110232854.2A patent/CN112786203A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106979982A (zh) * | 2016-01-19 | 2017-07-25 | 上海市第六人民医院 | 一种用于糖尿病风险预测、治疗评价的方法及试剂盒 |
WO2019244646A1 (ja) * | 2018-06-18 | 2019-12-26 | 日本電気株式会社 | 疾病リスク予測装置、疾病リスク予測方法および疾病リスク予測プログラム |
CN111968748A (zh) * | 2020-08-21 | 2020-11-20 | 南通大学 | 一种糖尿病并发症预测模型的建模方法 |
CN112117006A (zh) * | 2020-09-23 | 2020-12-22 | 重庆医科大学 | 基于集成学习的2型糖尿病肾脏疾病患病风险评估系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113555107A (zh) * | 2021-05-17 | 2021-10-26 | 上海交通大学医学院附属瑞金医院 | 一种人体代谢状态量化管理分析系统及方法 |
CN113539478A (zh) * | 2021-06-24 | 2021-10-22 | 山西医科大学 | 基于代谢组学的深静脉血栓形成预测模型的建立方法 |
CN115346665A (zh) * | 2022-10-19 | 2022-11-15 | 南昌大学第二附属医院 | 视网膜病变发病风险预测模型的构建方法、系统及设备 |
CN115346665B (zh) * | 2022-10-19 | 2023-03-10 | 南昌大学第二附属医院 | 视网膜病变发病风险预测模型的构建方法、系统及设备 |
CN116682564A (zh) * | 2023-07-27 | 2023-09-01 | 首都医科大学附属北京友谊医院 | 基于机器学习的近视牵引性黄斑病变风险预测方法及装置 |
CN116682564B (zh) * | 2023-07-27 | 2023-10-27 | 首都医科大学附属北京友谊医院 | 基于机器学习的近视牵引性黄斑病变风险预测方法及装置 |
CN117038088A (zh) * | 2023-10-09 | 2023-11-10 | 北京鹰瞳科技发展股份有限公司 | 糖尿病视网膜病变的发病确定方法、装置、设备及介质 |
CN117038088B (zh) * | 2023-10-09 | 2024-02-02 | 北京鹰瞳科技发展股份有限公司 | 糖尿病视网膜病变的发病确定方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112786204A (zh) | 一种机器学习糖尿病发病风险预测方法及应用 | |
CN112786203A (zh) | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 | |
US20220254493A1 (en) | Chronic disease prediction system based on multi-task learning model | |
US20090093686A1 (en) | Multi Automated Severity Scoring | |
CN101478912A (zh) | 评估痴呆与痴呆型紊乱 | |
JP7286863B2 (ja) | 医療データの自動化された検証 | |
CN110085314A (zh) | 医学检验数据的智能分析方法、系统以及设备 | |
Shu et al. | Clinical application of machine learning-based artificial intelligence in the diagnosis, prediction, and classification of cardiovascular diseases | |
CN114023441A (zh) | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 | |
CN113838577A (zh) | 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法 | |
CN115602325A (zh) | 一种基于多模型算法的慢性病风险评估方法及其系统 | |
CN115101199A (zh) | 用于重症老年患者的可解释公平早期死亡风险评估模型、装置、及其建立方法 | |
CN107506606A (zh) | 常见疾病风险预测方法及系统 | |
CN114023440A (zh) | 可解释分层老年mods早期死亡风险评估模型、装置及其建立方法 | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
Schlosser et al. | Visual acuity prediction on real-life patient data using a machine learning based multistage system | |
JP2014064515A (ja) | 動的ネットワークバイオマーカーの検出装置、検出方法及び検出プログラム | |
Chen et al. | PREDICTIVE MODELING OF POSTOPERATIVE OUTCOMES | |
Wang et al. | Method of non-invasive parameters for predicting the probability of early in-hospital death of patients in intensive care unit | |
US11961204B2 (en) | State visualization device, state visualization method, and state visualization program | |
Gupta et al. | X-ECGNet: an interpretable DL model for stress detection using ECG in COVID-19 healthcare workers | |
Rajmohan et al. | G-Sep: A Deep Learning Algorithm for Detection of Long-Term Sepsis Using Bidirectional Gated Recurrent Unit | |
Kavya et al. | Heart Disease Prediction Using Logistic Regression | |
Zhang et al. | Clinical utility of the automatic phenotype annotation in unstructured clinical notes: ICU use cases | |
Aggarwal | A machine learning based approach for the identification of insulin resistance with non-invasive parameters using homa-IR |
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: 20210511 |