CN115249541A - 一种基于深度学习的动态血糖预测模型构建方法 - Google Patents

一种基于深度学习的动态血糖预测模型构建方法 Download PDF

Info

Publication number
CN115249541A
CN115249541A CN202210908340.9A CN202210908340A CN115249541A CN 115249541 A CN115249541 A CN 115249541A CN 202210908340 A CN202210908340 A CN 202210908340A CN 115249541 A CN115249541 A CN 115249541A
Authority
CN
China
Prior art keywords
blood sugar
information
time sequence
data
model
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
Application number
CN202210908340.9A
Other languages
English (en)
Inventor
李小英
袁洋
陈志炜
陈颖
应真
何昊伟
李彪
范玉娟
陈聪凌
顾楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongshan Hospital Fudan University
Original Assignee
Zhongshan Hospital Fudan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongshan Hospital Fudan University filed Critical Zhongshan Hospital Fudan University
Priority to CN202210908340.9A priority Critical patent/CN115249541A/zh
Publication of CN115249541A publication Critical patent/CN115249541A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G16H50/50—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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于深度学习的动态血糖预测模型构建方法，解决了现有血糖预测多针对1型糖尿者，在住院2型糖尿者中的研究较少，只能进行短时血糖变化监测，无法给出血糖预测置信区间的弊端，其技术方案要点是采集病患状态特征数据，通过CGM系统采集获取连续血糖记录；对采集的数据处理并划分为训练集、验证集和测试集；构建血糖预测的神经网络模型，进行训练，根据验证集最优原则选取最终模型；将最终模型用于预测，对测试集的状态特征采用无穷范数的扰动模拟状态变化，获取最终模型对不同扰动下血糖预测置信区间，本发明的一种基于深度学习的动态血糖预测模型构建方法，能通过短时血糖变化进行血糖范围预测，为临床指导提供便捷。

Description

一种基于深度学习的动态血糖预测模型构建方法
技术领域
本发明涉及动态血糖预测技术，特别涉及一种基于深度学习的动态血糖预测模型构建方法。
背景技术
既往基于CGM的血糖预测模型大多通过输入患者血糖及部分病史特征、运动及饮食情况，使用诸如自回归模型、多项式模型、隐变量模型以及机器学习等方法构建短时间内的血糖预测，常存在预测时间较短、训练人群与真实世界存在差异等缺陷。此外，目前基于CGM的血糖预测多用于1型糖尿病、ICU或者门诊患者，在住院2型糖尿者中的研究还较少，只能进行短时血糖数值预测，还无法做到血糖数值范围的预测。
发明内容
本发明的目的是提供一种基于深度学习的动态血糖预测模型构建方法，能通过短时血糖变化进行血糖数值范围预测预警，准确、科学，为临床指导提供便捷。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种基于深度学习的动态血糖预测模型构建方法，包括有以下步骤：
采集若干名病患状态特征数据，包括有通过HIS系统获取的病患基本信息及化验检验信息的非时序数据、胰岛素注射记录与口服药物记录的时序数据，还包括有通过CGM系统采集获取的连续血糖记录的时序数据；
对采集的数据进行处理，对非时序数据进行缺失填充，对时序数据进行数据切片处理；
对处理后的数据进行划分，按照比例将数据分为训练集、验证集和测试集；
构建血糖预测的神经网络模型，采用多头编码器分别对非时序和时序两种不同模态的输入信息进行编码；
对模型进行训练，使用Adam优化器，设定学习率，通过训练集数据对模型进行训练，并根据验证集最优的原则选取最终模型；
将选取的最终模型作为动态血糖预测模型用于预测，通过测试集数据对最终模型进行测试，选定神经网络中间层特征，重新构建该层到血糖输出层的网络，将训练好的网络参数复制到新的网络中；提取输入数据在中间层的特征，并对其施加定量无穷范数干扰构建特征的波动区间，将特征的波动区间从中间层传播到输出层得到输出的置信区间。
综上所述，本发明具有以下有益效果：
通过CGM采样的连续血糖记录，配合于病患基本信息及化验检验信息，能获得更高质量的信息，再通过深度学习的神经网络模型进行预测，能获得使用CGM的2型糖尿病患者短时血糖变化和血糖预测的置信区间，预测能用于预警及临床用药指导，通过建立的预测模型能有效的进行预测，有助于更好的提供参考和预警。
附图说明
图1为本方法的流程示意图；
图2为采样记录的病患的血糖记录时长；
图3为神经网络模型的内部数据处理构造示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
根据一个或多个实施例，公开了一种基于深度学习的动态血糖预测模型构建方法，如图1所示，包括有以下步骤：
S1、采集若干名病患状态特征数据，包括有通过HIS系统获取的病患基本信息及化验检验信息的非时序数据、胰岛素注射记录与口服药物记录的时序数据，还包括有通过CGM系统采集获取的连续血糖记录的时序数据。
利用医院收集的214名住院病人的病史、化验检验、胰岛素注射记录、口服药物记录、连续血糖记录作为模型输入数据。其中病人的病史作为基本信息在入院时由医生录入，为非时序信息；化验检验通常在病人住院期间的前1～2天完成，同样是非时序信息。胰岛素注射记录和口服药物记录是时序信息，它们包括具体使用时间(精确到分钟)和使用剂量。
S2、对采集的数据进行处理，对非时序数据进行缺失填充，对时序数据进行数据切片处理。
采集数据中，胰岛素记录较为稀疏，不同品牌的胰岛素在注射记录在时序信息出现次数不均匀，有的胰岛素出现次数很少。直接学习会造成深度学习模型有不平衡的问题。将所有胰岛素按照种类分成了三大类，分别是预混胰岛素、短效胰岛素和基础胰岛素。
经过筛选于糖尿病相关的信息，从病患的病例信息和化验检验信息中选取若干个特征组成非时序输入，但并不是每一位病人都做了详尽的检查，会造成了非时序信息的缺失。对于缺失的特征，通过使用固定的缺失编码和平均编码对缺失的特征进行填充，并通过深度学习模型中的编码器编码，得到病患的非时序信息特征编码。
对胰岛素注射记录与口服药物记录时间进行了离散化处理，处理间隔为15min，处理间隔与连续血糖记录的最小间隔时间相同。连续血糖由病人随身佩戴的雅培瞬感仪器记录，记录间隔为15min。
每一位病人的连续血糖记录时间长度不尽相同，如图2所示，展示了示例采样的所有病人的血糖记录时间长度。对连续血糖记录的时序数据进行切片处理，切片长度为24小时。
S3、对处理后的数据进行划分，按照0.7:0.15:0.15的比例将数据分为训练集、验证集和测试集。
S4、构建血糖预测的神经网络模型，如图3所示。
采用多头编码器分别对非时序和时序两种不同模态的输入信息进行编码。
构建多层全连接层组成的非时序编码器，对非时序信息进行编码得到对应的高维特征(10维)表示。
构建编码层对离散类的时序数据转换至连续特征，胰岛素注射记录与口服药物记录均包括有类别信息和用量信息；类别信息属于离散类数据，采用编码层将类别信息转换至连续特征，并将用量信息与编码后的类别信息在时间维度上拼接，同时在时间维度上与连续血糖值进行拼接，通过LSTM层处理得到时序信息的高维特征表达，经过拼接后得到T(时间长度)*M(特征数)的向量，其中M维的特征是t时刻的状态(包括胰岛素、口服药和血糖值)的高维表达。LSTM层处理此时间序列，并最终得到一个此时序信息的高维特征(100维)表达。
将时序特征与非时序特征进一步拼接融合，得到状态向量。将时序特征与非时序特征进一步拼接融合后，得到110维的向量。
构建多层堆叠的全连接和线性映射层对输入的状态向量处理以输出常数预测值。
S5、对模型进行训练，使用Adam优化器，设定学习率，通过训练集数据对模型进行训练，并根据验证集最优的原则选取最终模型。
使用Adam优化器，学习率为0.001，对短时间(15，30和45min)的预测任务训练5个epoch，对于长时间的预测，训练10个epoch，并根据验证集最优的原则选取最终的模型。
S6、将选取的最终模型用于预测。
通过测试集数据对最终模型进行测试。
对测试集的状态特征采用无穷范数的扰动模拟状态变化，获取最终模型对不同扰动下血糖预测的上下界。选定神经网络中间层特征，重新构建该层到血糖输出层的网络，将训练好的网络参数复制到新的网络中；提取输入数据在中间层的特征，并对其施加定量无穷范数干扰构建特征的波动区间，将特征的波动区间从中间层传播到输出层得到输出的置信区间，完成未来血糖的预测，得到血糖置信区间。
选定模型的中间层为110维度的全连接层，收集所有数据在该层的输出特征(状态特征)。重新构建选定层以及选定层之后的网络结构(即子网络)，并对子网络使用经训练的模型参数赋值。
状态特征总结了病人当前状态下的非时序信息和时序信息，同时也是区分不同状态之间区别的工具。对状态特征施加扰动可以模拟病人当下的状态进行了改变，从而影响未来血糖的预测，这种改变使得状态特征具备鲁棒性。采用无穷范数的扰动模拟病人状态的微小改变，目标是找出不同扰动下血糖预测的上下界，从而在血糖值预测的基础上提供额外的范围预测。在状态特征空间搜索扰动范围(L无穷超正方体)内的全部扰动可能是不现实的，因为该超正方体内采样的点有无穷多个。根据神经网络计算方式的特点，最终预测值的计算方式可以由一个有向图表达。图的叶子节点是网络的输入和权重，中间节点代表每一个计算操作。根据这种特点，采用了基于反向传播上下界的CRWON算法，应用在子网络，得到了更加准确的未来血糖范围预测。
预测表现优于既往模型：基于高质量的患者病史、药物情况、连续血糖监测等信息，利用深度学习模型构建血糖预测模型，效果优于既往模型。下表1展示了本申请模型与线性基础模型、GluNet和Martinsson模型的对比，评估指标为RMSE(mmol/L)。其中线性基础模型指的是用最后五个血糖记录点进行线性拟合插值预测。
预测时长(min) 线性基础模型 GluNet Martinsson 本申请模型
15 0.7041 / / 0.4919
30 1.1925 1.07 1.05 0.7732
45 1.6691 / / 1.0908
60 2.1425 1.77 1.74 1.3091
表1
通过本申请模型，可提供血糖预测的区间，代替传统的具体数值，准确性更高。结果如下表2所示。∈为在特征空间无穷范数扰动的大小，数值越大则扰动范围越大；准确度表示真实值处于预测上下界之间的准确度，越高表示预测越准确；区间长度表示平均上下界之间的区间长度，越小说明上下界之间越接近；验证误差表示验证集上的MSE误差；测试误差表示测试集的MSE误差。表中单位均为mmol/L
Figure BDA0003773299230000071
表2
本申请模型可计划在住院糖尿病患者中使用，通过与HIS系统相连获取患者病史、用药等基本信息，与CGM系统相连获取连续血糖监测信息，将获取数据输入模型中，模型可预测该患者未来15、30、45、60min病人的血糖。在预测未来血糖的同时，模型会给出血糖的置信区间。最终结果的形式是“病人未来15/30/45/60分钟的血糖的预测值是7.8mmol/L，预测区间是7.6～8.1mmol/L”。
根据一个或多个实施例，公开了一种基于深度学习模型的动态血糖预测方法，包括有以下步骤：
与HIS系统相连，获取病患基本信息及化验检测信息；
与CGM系统相连，获取患者连续血糖监测信息；
将获取的病患的状态特征输入建立的血糖预测模型；
血糖预测模型对病患的状态特征进行处理，对病患基本信息及化验检测信息转换为连续特征，并与血糖监测信息在时间维度上进行拼接融合，得到状态向量；
进行预测，对处理后输入的状态向量通过多层堆叠的全连接层和线性映射层处理，输出预测血糖的置信区间。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (5)

1.一种基于深度学习的动态血糖预测模型构建方法，其特征是，包括有以下步骤：
采集若干名病患状态特征数据，包括有通过HIS系统获取的病患基本信息及化验检验信息的非时序数据、胰岛素注射记录与口服药物记录的时序数据，还包括有通过CGM系统采集获取的连续血糖记录的时序数据；
对采集的数据进行处理，对非时序数据进行缺失填充，对时序数据进行数据切片处理；
对处理后的数据进行划分，按照比例将数据分为训练集、验证集和测试集；
构建血糖预测的神经网络模型，采用多头编码器分别对非时序和时序两种不同模态的输入信息进行编码；
对模型进行训练，使用Adam优化器，设定学习率，通过训练集数据对模型进行训练，并根据验证集最优的原则选取最终模型；
将选取的最终模型作为动态血糖预测模型用于预测，通过测试集数据对最终模型进行测试，选定神经网络中间层特征，重新构建该层到血糖输出层的网络，将训练好的网络参数复制到新的网络中；提取输入数据在中间层的特征，并对其施加定量无穷范数干扰构建特征的波动区间，将特征的波动区间从中间层传播到输出层得到输出的置信区间。
2.根据权利要求1所述的基于深度学习的动态血糖预测模型构建方法，其特征是，对采集数据的处理具体为：
从病患的病例信息和化验检验信息中选取若干个特征组成非时序输入，通过固定的缺失编码和平均编码对缺失的特征进行填充，并通过深度学习模型中的编码器编码得到病患的非时序信息特征编码；
对胰岛素注射记录与口服药物记录时间进行了离散化处理，处理间隔与连续血糖记录的最小间隔时间相同；
对连续血糖记录的时序数据进行切片处理，切片长度为24小时。
3.根据权利要求2所述的基于深度学习的动态血糖预测模型构建方法，其特征是，血糖预测的神经网络模型的建立具体为：
构建多层全连接层组成的非时序编码器，对非时序信息进行编码得到对应的高维特征表示；
构建编码层对离散类的时序数据转换至连续特征，在时间维度上与连续血糖值进行拼接，通过LSTM层处理得到时序信息的高维特征表达；
将时序特征与非时序特征进一步拼接融合，得到状态向量；
构建多层堆叠的全连接和线性映射层对输入的状态向量处理以输出常数预测值。
4.根据权利要求3所述的基于深度学习的动态血糖预测模型构建方法，其特征是，构建编码层对时序数据的转换处理具体为：
胰岛素注射记录与口服药物记录均包括有类别信息和用量信息；采用编码层将类别信息转换至连续特征；
将用量信息与编码后的类别信息在时间维度上拼接，同时拼接连续血糖值。
5.一种基于深度学习模型的动态血糖预测方法，其特征是，包括有以下步骤：
与HIS系统相连，获取病患基本信息及化验检测信息；
与CGM系统相连，获取患者连续血糖监测信息；
将获取的病患的状态特征输入建立的血糖预测模型；
血糖预测模型对病患的状态特征进行处理，对病患基本信息及化验检测信息转换为连续特征，并与血糖监测信息在时间维度上进行拼接融合，得到状态向量；
进行预测，对拼接后输入的状态向量通过多层堆叠的全连接层和线性映射层处理，输出预测血糖的预测值与置信区间。
CN202210908340.9A 2022-07-29 2022-07-29 一种基于深度学习的动态血糖预测模型构建方法 Pending CN115249541A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210908340.9A CN115249541A (zh) 2022-07-29 2022-07-29 一种基于深度学习的动态血糖预测模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210908340.9A CN115249541A (zh) 2022-07-29 2022-07-29 一种基于深度学习的动态血糖预测模型构建方法

Publications (1)

Publication Number Publication Date
CN115249541A true CN115249541A (zh) 2022-10-28

Family

ID=83699376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210908340.9A Pending CN115249541A (zh) 2022-07-29 2022-07-29 一种基于深度学习的动态血糖预测模型构建方法

Country Status (1)

Country Link
CN (1) CN115249541A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115841874A (zh) * 2022-11-15 2023-03-24 广东工业大学 一种连续血糖数据长期监测方法和系统
CN116741334A (zh) * 2023-08-14 2023-09-12 四川互慧软件有限公司 一种基于神经网络预测模型的用药监测方法
CN117612737A (zh) * 2024-01-24 2024-02-27 胜利油田中心医院 一种糖尿病护理数据智能优化方法
CN117766145A (zh) * 2023-12-28 2024-03-26 重庆联芯致康生物科技有限公司 一种连续血糖预测模型构建方法、血糖预测方法与装置
CN118098566A (zh) * 2024-02-29 2024-05-28 东北大学 一种基于深度学习的显微取精结果预测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115841874A (zh) * 2022-11-15 2023-03-24 广东工业大学 一种连续血糖数据长期监测方法和系统
CN115841874B (zh) * 2022-11-15 2024-02-23 广东工业大学 一种连续血糖数据长期监测方法和系统
CN116741334A (zh) * 2023-08-14 2023-09-12 四川互慧软件有限公司 一种基于神经网络预测模型的用药监测方法
CN116741334B (zh) * 2023-08-14 2023-10-24 四川互慧软件有限公司 一种基于神经网络预测模型的用药监测方法
CN117766145A (zh) * 2023-12-28 2024-03-26 重庆联芯致康生物科技有限公司 一种连续血糖预测模型构建方法、血糖预测方法与装置
CN117612737A (zh) * 2024-01-24 2024-02-27 胜利油田中心医院 一种糖尿病护理数据智能优化方法
CN117612737B (zh) * 2024-01-24 2024-05-03 胜利油田中心医院 一种糖尿病护理数据智能优化方法
CN118098566A (zh) * 2024-02-29 2024-05-28 东北大学 一种基于深度学习的显微取精结果预测方法

Similar Documents

Publication Publication Date Title
CN115249541A (zh) 一种基于深度学习的动态血糖预测模型构建方法
JP7316358B2 (ja) 生物物理学的モデル化および応答予測のためのシステム、方法、およびデバイス
Xue et al. Constructing compact causal mathematical models for complex dynamics
Dyagilev et al. Learning (predictive) risk scores in the presence of censoring due to interventions
CN114512239B (zh) 基于迁移学习的脑卒中风险预测方法及系统
CN118280562B (zh) 知识图谱驱动的医疗大模型诊断方法
CN117438087A (zh) 基于健康监测数据分析的健康管理方法及系统
CN112185558A (zh) 基于深度学习的心理健康及康复评定方法、装置及介质
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
CN116230222A (zh) 对冠心病住院患者死亡概率预测的方法
CN116019429B (zh) 基于生理指标的健康监测方法、装置、设备及存储介质
Thilakarathne et al. Artificial Intelligence-Enabled IoT for Health and Wellbeing Monitoring
Zhang et al. Merits: medication recommendation for chronic disease with irregular time-series
Ramesh et al. AI based dynamic prediction model for mobile health application system
CN116739037A (zh) 具有人格特征的人格模型构建方法及装置
CN115602317A (zh) 一种基于深度学习的七点血糖预测模型构建方法及装置
CN116313080A (zh) 一种基于迁移学习的葡萄糖浓度预测方法及设备
Hallgrímsson et al. Learning individualized cardiovascular responses from large-scale wearable sensors data
Prasanth et al. Prognostication of diabetes diagnosis based on different machine learning classification algorithms
CN112101678A (zh) 一种基于gbdt的学生人格倾向预测方法
Reid Diabetes diagnosis and readmission risks predictive modelling: USA
Alghatani et al. Predicting Out-of-Hospital Vital Sign Measurements through Deep Learning
CN114420300B (zh) 中国老年认知损害预测模型
Sharma et al. Smart City Citizen Diabetes Predictions using Machine Learning
Adgaonkar et al. K-Means and Decision Tree Approach to Predict the Severity of Diabetes Cases

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