CN113096815A - 一种基于logistic回归的慢性肾病预测方法 - Google Patents
一种基于logistic回归的慢性肾病预测方法 Download PDFInfo
- Publication number
- CN113096815A CN113096815A CN202110589538.0A CN202110589538A CN113096815A CN 113096815 A CN113096815 A CN 113096815A CN 202110589538 A CN202110589538 A CN 202110589538A CN 113096815 A CN113096815 A CN 113096815A
- Authority
- CN
- China
- Prior art keywords
- variables
- chronic kidney
- logistic regression
- data
- missing
- 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 39
- 238000007477 logistic regression Methods 0.000 title claims abstract description 28
- 230000001684 chronic effect Effects 0.000 title description 2
- 208000017169 kidney disease Diseases 0.000 title description 2
- 208000020832 chronic kidney disease Diseases 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000010219 correlation analysis Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 230000001419 dependent effect Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 208000037157 Azotemia Diseases 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 208000022831 chronic renal failure syndrome Diseases 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 208000009852 uremia Diseases 0.000 description 1
- 210000002700 urine Anatomy 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
- G16H50/30—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
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于logistic回归的早期慢性肾脏疾病预测方法，所述包括如下步骤：从UCI数据库中获取早期慢性肾脏疾病的各项生理指标；将离散特征的字符串转换成哑变量；使用k近邻的方法对缺失值进行填补；对两两变量进行相关性分析，利用逐步回归法消除自变量间的多重共线性，其次利用相关系数对变量进行选择；采用下采样方法对样本不均衡进行处理；将数据集分为训练集和测试集，对训练集进行不同正则化惩罚力度的logistic回归建模；然后使用预测模型在测试集上进行预测是否患早期慢性肾脏疾病；本发明可以从多项生理指标中选择恰当的变量，然后建立正则化logistic回归模型，从而预测早期慢性肾脏疾病，结果表明可以得到准确的预测结果。
Description
技术领域
本发明属于计算机应用技术领域，涉及一种基于logistic回归的慢性肾病预测方法。
背景技术
据统计，目前世界上已经高出8.5亿的人口患慢性肾脏病，慢性肾脏疾病者将发展成为慢性肾功能不全、肾衰竭，最终严重可能导致尿毒症。这种病在全世界发病率极高，但是不容易被发现。
Logistic回归分析是常用的处理定性变量的统计方法之一，它是一种根据定量变量或者定性变量来分析、预测因变量的回归分析方法，其在生物、经济等领域用途十分广泛。然而在我们建立模型中，不论是回归问题还是分类问题建模时常会遇到过拟合或者欠拟合现象，一开始我们的模型往往是欠拟合的，当我们不断用算法来优化的时候此时就会出现过拟合。最常见的情况就是随着模型复杂程度的提升，训练集效果越来越好，在测试集上的表现反而越来越差；还有特征太多，数据量太少。如果在训练集上得到的参数值忽高忽低，很可能导致过拟合，这时候就需要用到正则化惩罚，即惩罚数值较大的权重参数，降低它们对结果的影响。
发明内容
发明目的：提出了一种基于logistic回归的慢性肾脏疾病预测方法，该方法可以提取出对因变量有意义的变量，正则化Logistic回归模型能够很好地拟合数据，对预测病人是否患有早期慢性肾脏疾病有较高的准确率。所述包括如下步骤：
步骤1对早期慢性肾脏疾病数据集的预处理，包括数据集离散变量、连续变量以及缺失数据的处理；
步骤2各个自变量与因变量之间的关系进行相关性分析，从多个生理指标中筛选出与患早期慢性肾脏疾病相关程度较大的变量；
步骤3将数据集分为训练集和测试集，对训练集进行不同正则化惩罚力度的logistic回归建模，得到的分类器在测试集上进行验证是否患早期慢性肾脏疾病。
进一步，上述步骤1中包含下列的步骤：
步骤1.1首先对数据进行整理，将数据集中的离散变量的字符串转换成哑变量；
步骤1.2然后进行缺失值处理，本文k近邻的方法进行填补。k近邻插补法是指利用数据中与缺失值相关的无缺失值，找出距离最近的 k个样本，利用欧式距离函数来衡量这些样本与缺失样本之前的距离。估计值是通过对k个样本对应的缺失项进行距离加权得到的。
进一步，上述步骤2中包含下列的步骤：
步骤2.1对两两变量进行相关性分析，利用相关系数对变量进行选择。此处用的是spearman相关系数；
步骤2.2从相关性分析可以看出自变量
之间是存在多重共线性的，这种情况会对logistic回归系数造成影响，因此利用逐步回归法消除多重共线性；
步骤2.3利用相关系数对变量进行选择，与因变量的相关系数绝对值小于0.25的删除。
进一步，上述步骤3中包含下列的步骤：
步骤3.1利用下采样方法使得正负样本平衡，将数据集分成训练集和测试集，对训练集进行五种不同正则化惩罚力度（0.01,0.1,1,10,100）的logistic回归建模，其中的基本过程是首先构建损失函数
，此处使用对数损失函数
，再加上L2正则项；然后用随机梯度下降法，不断更新
，其中
不参与惩罚，得到最优参数
，使得损失函数
最小；
式中
代表损失函数，
是logistic函数，
是正则化参数；
步骤3.2预测模型在测试集上进行预测是否患早期慢性肾脏疾病；
步骤3.3最后模型要在整体数据集的测试集进行评估效果。
附图说明
图1.模型流程图；
图2.变量之间相互作用关系的热力图；
图3.因变量与自变量相关性图；
表1.各个数据的异常值检查；
表2.消除多重共线性；
表3.正则化logistic模型召回率。
具体实施方式
一种基于L2正则化logistic回归的早期慢性肾脏疾病预测方法，该方法包括通过使用k近邻法对缺失数据进行填补，利用逐步回归法消除自变量间的多重共线性，根据与因变量相关程度挑选自变量，以及使用正则化Logistic回归模型进行拟合数据，最后实现对病人是否患有早期慢性肾脏疾病的预测。包括下列步骤：
步骤1对早期慢性肾脏疾病数据集的预处理，包括数据集中离散变量、连续变量以及缺失数据的处理；
步骤2各个自变量与因变量之间的关系进行相关性分析，从多个生理指标中筛选出与患早期慢性肾脏疾病相关程度较大的变量；
步骤3将数据集分为训练集和测试集，对训练集进行不同正则化惩罚力度的logistic回归建模，得到的分类器在测试集上进行验证是否患早期慢性肾脏疾病。
所述步骤1中具体包括下列步骤：
步骤1.1首先对数据进行整理，将数据集中的离散变量的字符串转换成哑变量；
步骤1.2然后进行缺失值处理，本文k近邻的方法进行填补。k近邻插补法是指利用数据中与缺失值相关的无缺失值，找出距离最近的 k个样本，利用欧式距离函数来衡量这些样本与缺失样本之前的距离，估计值是通过对k个样本对应的缺失项进行距离加权得到的。
所述步骤2中具体包括下列步骤：
步骤2.1对两两变量进行相关性分析，利用相关系数对变量进行选择，此处用的是spearman相关系数；（其中d代表变量之间的等级差）
步骤2.2从相关性分析可以看出自变量
之间是存在多重共线性的，这种情况会对logistic回归系数造成影响，因此利用逐步回归法消除多重共线性；
步骤2.3利用相关系数对变量进行选择，与因变量的相关系数绝对值小于0.25的删除。
所述步骤3中具体包括下列步骤：
步骤3.1利用下采样方法使得正负样本平衡，将数据集分成训练集和测试集，对训练集进行五种不同正则化惩罚力度（0.01,0.1,1,10,100）的logistic回归建模，其中的基本过程是首先构建损失函数
，此处使用对数损失函数
，再加上L2正则项；然后用随机梯度下降法，不断更新
，其中
不参与惩罚，得到最优参数
，使得损失函数
最小；
其中
代表损失函数，
是logistic函数，
是正则化参数；
步骤3.2预测模型在测试集上进行预测是否患早期慢性肾脏疾病；
步骤3.3最后模型要在整体数据集的测试集进行评估效果。
一般的logistic回归模型时常容易欠拟合，通过我们不断的优化，经常会遇到过拟合现象。针对过拟合问题，通常会考虑两种方法。第一种是减少特征的数量；第二种是加入正则项。在此我们用到正则化惩罚，即惩罚数值较大的权重参数，降低它们对结果的影响。
下面用一个具体的例子，来简单的说明一下本发明的过程。本实例中的数据集来源于UCI (University of California Irvine)，共有400个早期慢性肾脏疾病人的生理指标数据，属于二分类问题，有24项人体的生理指标。具体步骤如下：
如图1所示，一种基于L2正则化logistic回归的早期慢性肾脏疾病预测方法，该方法包括提取出有意义的变量，正则化Logistic回归模型能够很好地拟合数据，对预测病人是否患有早期慢性肾脏疾病有较高的准确率。包括下列步骤：
（1）首先数据预处理，将字符串都转换为哑变量。缺失数据处理的方法有很多种，参考前人的研究本文用k近邻法。查看数据是否还存在缺失，同时查看异常值，如表1所示；
（2）从表1中不难看出，有些变量的标准差非常的大，但是logistic模型无需对数据进行标准化。对处理好的数据进行相关性分析，自变量与因变量的相关程度使用spearman相关系数的值来衡量。变量之间相关性热力图如图2所示；
（3）从图2可以看出，自变量
之间是存在多重共线性的，这会对参数的准确估计造成影响，因此利用逐步回归法消除多重共线性，表2展示了每一次逐步回归所删除变量为x15血红蛋白, x3尿比重, x4白蛋白, x20糖尿病, x11血液尿素, x19高血压；
（4）利用因变量与自变量间的相关系数对自变量进行选择，相关系数绝对值小于0.25的删除。如图3，因此删除x1, x9, x14, x21；
（5）在上述的数据基础上，利用下采样方法使得正负样本平衡，然后将数据分为训练集和测试集，对训练集上进行L2正则化logistic回归建模；
（6）预测模型在全部测试集上进行预测是否患早期慢性肾脏疾病，此处用召回率来展示我们所建模型的好坏，本文L2正则化logistic回归模型五折交叉（结果如下表3） 在惩罚力度为1的时候模型最佳，召回率为93%，在相同的数据条件下logistic模型下召回率为81.25%。由此可见我们的模型是具有参考价值的。
表1.各个数据的异常值检查
表2.消除多重共线性
表3.正则化logistic模型召回率
Claims (4)
1.一种基于logistic回归的慢性肾脏疾病预测方法，其特征在于，所述的方法包括如下步骤：
步骤1对慢性肾脏疾病数据集的预处理，包括数据集中离散变量、连续变量以及缺失数据的处理；
步骤2各个自变量与因变量之间的关系进行相关性分析，从多个生理指标中筛选出与患慢性肾脏疾病相关程度较大的变量；
步骤3将数据集分为训练集和测试集，对训练集进行不同正则化惩罚力度的logistic回归建模，得到的分类器在测试集上进行验证是否患慢性肾脏疾病。
2.根据权利要求1所述的基于logistic回归的慢性肾脏疾病预测方法，其特征在于，所述步骤1中具体包括下列步骤：
步骤1.1首先对数据进行整理，将数据集中的离散变量的字符串转换成哑变量；
步骤1.2然后进行缺失值处理，本文k近邻的方法进行填补，k近邻插补法是指利用数据中与缺失值相关的无缺失值，找出距离最近的 k个样本，利用欧式距离函数来衡量这些样本与缺失样本之前的距离，其中估计值是通过对k个样本对应的缺失项进行距离加权得到的。
3.根据权利要1所述的基于logistic回归的慢性肾脏疾病预测方法，其特征在于，所述步骤2中具体包括下列步骤：
步骤2.1对两两变量进行相关性分析，此处用的是spearman相关系数（其中d代表变量之间的等级差）；
步骤2.2从相关性分析可以看出自变量
之间是存在多重共线性的，这种情况会对logistic回归系数造成影响，因此使用逐步回归法消除多重共线性；
步骤2.3利用相关系数对变量进行选择，与因变量的相关系数绝对值小于0.25的删除。
4.根据权利要求1所述的基于logistic回归的慢性肾脏疾病预测方法，其特征在于，所述步骤3中具体包括下列步骤：
步骤3.1利用下采样方法使得正负样本平衡，将数据集分成训练集和测试集，对训练集进行五种不同正则化惩罚力度（0.01,0.1,1,10,100）的logistic回归建模，其中的基本过程是首先构建损失函数
，此处使用对数损失函数
，再加上L2正则项；然后用随机梯度下降法，不断更新
，其中
不参与惩罚，得到最优参数
，使得损失函数
最小；（其中
代表损失函数，
是logistic函数，
是正则化参数）
步骤3.2预测模型在测试集上进行预测是否患慢性肾脏疾病；
步骤3.3最后模型要在整体数据集的测试集进行评估效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110589538.0A CN113096815A (zh) | 2021-05-28 | 2021-05-28 | 一种基于logistic回归的慢性肾病预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110589538.0A CN113096815A (zh) | 2021-05-28 | 2021-05-28 | 一种基于logistic回归的慢性肾病预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113096815A true CN113096815A (zh) | 2021-07-09 |
Family
ID=76664395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110589538.0A Pending CN113096815A (zh) | 2021-05-28 | 2021-05-28 | 一种基于logistic回归的慢性肾病预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113096815A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116308441A (zh) * | 2023-03-07 | 2023-06-23 | 太原科技大学 | 一种具有变量选择能力的房屋价格预测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201317621D0 (en) * | 2013-10-04 | 2013-11-20 | Randox Teoranta | Kidney disease biomarker |
| US20170329912A1 (en) * | 2016-05-10 | 2017-11-16 | Macau University Of Science And Technology | Method and system for determining an association of biological features with a medical condition |
| CN108088987A (zh) * | 2016-11-23 | 2018-05-29 | 彰化基督教医疗财团法人彰化基督教医院 | 以尿液生物标记筛检糖尿病肾病变高危险性的用途与方法 |
| CN109712716A (zh) * | 2018-12-25 | 2019-05-03 | 广州天鹏计算机科技有限公司 | 疾病影响因素确定方法、系统和计算机设备 |
| CN111936859A (zh) * | 2018-01-19 | 2020-11-13 | 马斯公司 | 用于猫中慢性肾脏病的生物标志物和分类算法 |
| CN111951953A (zh) * | 2020-07-20 | 2020-11-17 | 肾泰网健康科技(南京)有限公司 | 基于ai技术的糖尿病肾脏疾病筛查方法、模型及系统 |
| 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 |
| CN112635064A (zh) * | 2020-12-31 | 2021-04-09 | 山西三友和智慧信息技术股份有限公司 | 一种基于深度pca变换的早期糖尿病风险预测方法 |
| CN112714871A (zh) * | 2018-07-14 | 2021-04-27 | 马斯公司 | 用于慢性肾脏病的生物标志物和测试模型 |
-
2021
- 2021-05-28 CN CN202110589538.0A patent/CN113096815A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201317621D0 (en) * | 2013-10-04 | 2013-11-20 | Randox Teoranta | Kidney disease biomarker |
| US20160216278A1 (en) * | 2013-10-04 | 2016-07-28 | Randox Teoranta | Kidney disease biomarker |
| US20170329912A1 (en) * | 2016-05-10 | 2017-11-16 | Macau University Of Science And Technology | Method and system for determining an association of biological features with a medical condition |
| CN108088987A (zh) * | 2016-11-23 | 2018-05-29 | 彰化基督教医疗财团法人彰化基督教医院 | 以尿液生物标记筛检糖尿病肾病变高危险性的用途与方法 |
| CN111936859A (zh) * | 2018-01-19 | 2020-11-13 | 马斯公司 | 用于猫中慢性肾脏病的生物标志物和分类算法 |
| CN112714871A (zh) * | 2018-07-14 | 2021-04-27 | 马斯公司 | 用于慢性肾脏病的生物标志物和测试模型 |
| CN109712716A (zh) * | 2018-12-25 | 2019-05-03 | 广州天鹏计算机科技有限公司 | 疾病影响因素确定方法、系统和计算机设备 |
| CN111951953A (zh) * | 2020-07-20 | 2020-11-17 | 肾泰网健康科技(南京)有限公司 | 基于ai技术的糖尿病肾脏疾病筛查方法、模型及系统 |
| 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 |
| CN112635064A (zh) * | 2020-12-31 | 2021-04-09 | 山西三友和智慧信息技术股份有限公司 | 一种基于深度pca变换的早期糖尿病风险预测方法 |
Non-Patent Citations (11)
| Title |
|---|
| YIDAN GUO等: "Comparison of atrial fibrillation in CKD and non-CKD populations: A cross-sectional analysis from the Kailuan study", 《INTERNATIONAL JOURNAL OF CARDIOLOGY》, vol. 277, pages 125 - 129, XP085581758, DOI: 10.1016/j.ijcard.2018.11.098 * |
| 冯苗;綦小蓉;李智;: "基于蚁群路径优化决策树及逻辑回归的慢性肾病进展概率预测模型", 计算机与现代化, no. 04 * |
| 刘宝利;杨宝友;郑桂敏;孙明霞;赵文景;张胜容;: "Logistic回归和ROC曲线综合评价检测四种尿蛋白排泄对早期肾小球疾病的诊断价值", 中国中西医结合肾病杂志, no. 08 * |
| 刘沛等: "基于logistic回归和随机森林的慢性肾脏病危险程度预测模型", 《中国卫生统计》, vol. 37, no. 04, pages 514 - 518 * |
| 喻微等: "预测恶性孤立性肺结节logistic回归诊断模型的建立", 《温州医科大学学报》, vol. 47, no. 09, pages 660 - 665 * |
| 孙明瑞: "基于特征关联的特征识别与推荐算法研究", 《中国博士学位论文全文数据库 (信息科技辑)》, no. 01, pages 4 * |
| 曹文哲;应俊;陈广飞;周丹;: "基于Logistic回归和随机森林算法的2型糖尿病并发视网膜病变风险预测及对比研究", 中国医疗设备, no. 03 * |
| 李广涵;刘建;武敬平;田艳;刘将;马立勇;刘跃军;张波;郑敏;: "基于支持向量机多模态超声模型诊断肾疾病", 中国医学影像技术, no. 06 * |
| 王纯杰;马元嘉;王迪;张乐;于丹;: "基于Logistic回归和神经网络比较的咽喉反流疾病的精准预测", 吉林师范大学学报(自然科学版), no. 03 * |
| 石磊: "检测指标对糖尿病慢性肾脏疾病诊断率的影响", 《基因组学与应用生物学》, vol. 36, no. 08, pages 3414 - 3420 * |
| 韩瑜等: "用于慢性肾病早期筛查的Logistic回归应用", 《齐齐哈尔大学学报(自然科学版)》, vol. 39, no. 1, pages 13 - 19 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116308441A (zh) * | 2023-03-07 | 2023-06-23 | 太原科技大学 | 一种具有变量选择能力的房屋价格预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111292853B (zh) | 基于多参数的心血管疾病风险预测网络模型及其构建方法 | |
| Chetty et al. | Role of attributes selection in classification of Chronic Kidney Disease patients | |
| CN104271033A (zh) | 一种评价胃肠癌风险的方法和系统 | |
| CN113053535B (zh) | 一种医疗信息预测系统及医疗信息预测方法 | |
| CN110634563A (zh) | 一种糖尿病肾病-非糖尿病肾病鉴别诊断装置 | |
| CN110051324A (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
| CN113470816A (zh) | 一种基于机器学习的糖尿病肾病预测方法、系统和预测装置 | |
| CN114220540A (zh) | 一种糖尿病肾病风险预测模型的构建方法及应用 | |
| CN116153495A (zh) | 一种食管癌患者免疫治疗预后生存预测方法 | |
| 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 | |
| CN112308825A (zh) | 一种基于SqueezeNet的农作物叶片病害识别方法 | |
| Pinto et al. | Data mining to predict early stage chronic kidney disease | |
| CN118312816A (zh) | 基于成员选择的簇加权聚类集成医学数据处理方法及系统 | |
| CN111986814A (zh) | 一种红斑狼疮患者的狼疮性肾炎预测模型的建模方法 | |
| CN113096815A (zh) | 一种基于logistic回归的慢性肾病预测方法 | |
| Devi et al. | Coronary artery disease prediction using machine learning techniques | |
| Güldoğan et al. | Performance evaluation of different artificial neural network models in the classification of type 2 diabetes mellitus | |
| CN113948206B (zh) | 一种基于多层级框架的疾病分期模型融合方法 | |
| Komalavalli et al. | An Effective Heart Disease Prediction Using Machine Learning | |
| Omodunbi et al. | Development of a diabetes melitus detection and prediction model using light gradient boosting machine and k-nearest neighbour | |
| CN107610780B (zh) | 一种生理信息数据的分析评价系统及方法 | |
| Patel et al. | Impact analysis of the complete blood count parameter using Naive Bayes | |
| CN112259231A (zh) | 一种高危胃肠间质瘤患者术后复发风险评估方法与系统 | |
| TW202127465A (zh) | 利用自動化機制挑選影響力指標的方法及電子裝置 | |
| Sulaiman et al. | Classification of healthy and white root disease infected rubber trees based on relative permittivity and capacitance input properties using LM and SCG artificial neural network |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210709 |