CN116189909B - 基于推举算法的临床医学判别方法及系统 - Google Patents
基于推举算法的临床医学判别方法及系统 Download PDFInfo
- Publication number
- CN116189909B CN116189909B CN202310205425.5A CN202310205425A CN116189909B CN 116189909 B CN116189909 B CN 116189909B CN 202310205425 A CN202310205425 A CN 202310205425A CN 116189909 B CN116189909 B CN 116189909B
- Authority
- CN
- China
- Prior art keywords
- clinical medical
- clinical
- medical data
- test
- data
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 72
- 238000009499 grossing Methods 0.000 claims abstract description 29
- 238000013145 classification model Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 31
- 239000008280 blood Substances 0.000 claims description 12
- 210000004369 blood Anatomy 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 8
- 238000009535 clinical urine test Methods 0.000 claims description 6
- 230000002550 fecal effect Effects 0.000 claims description 6
- 230000003907 kidney function Effects 0.000 claims description 6
- 230000003908 liver function Effects 0.000 claims description 6
- 239000002184 metal Substances 0.000 claims description 6
- 238000010832 independent-sample T-test Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000000692 Student's t-test Methods 0.000 description 6
- 238000012353 t test Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010831 paired-sample T-test Methods 0.000 description 1
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
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
-
- 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Bioethics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明具体涉及一种基于推举算法的临床医学判别方法及系统，其方法包括收集临床医学数据，选择带有数学参数的临床医学数据；对带有数学参数的临床医学数据，进行改进型T检验，选择出显著程度满足要求的临床医学数据以及选择出显著程度满足要求的临床医学指标；在进行改进型T检验之前构建平滑函数并确定平滑函数中样本类型系数的数值；将选择出的显著程度满足要求的临床医学数据及其临床医学指标输入到基于预设推举算法所构建的二分类模型之中并对其分类识别。本申请通过进行改进型T检验，选择出显著程度满足要求的临床医学数据以及选择出显著程度满足要求的临床医学指标，解决现有技术的问题。
Description
技术领域
本发明具体涉及一种基于推举算法的临床医学判别方法及系统。
背景技术
在相关的现有技术中，疾病的临床诊断主要依据医生的水平，所以疾病的诊断具有一定的主观性，为了能够对医学信息数据进行精准的分析，从而辅助疾病的诊断相关。现有技术，如专利文献中CN107145715B，即公开了一种基于推举算法的临床医学判断技术，该类技术的核心在于通过预设的推举算法来构建二分类模型，通过二分类模型对待测人员的临床信息进行识别，在实现以推举算法构建二分类模型的过程中需要筛选出大量的临床医学指标和大量的临床医学数据，不过这类的相关现有技术中，在对于数据的检验过程中存在一些问题，比如说在对于有参数的临床一些数据进行检验时，这类方法一般选取T检验来进行，但实际上在得到的临床一些数据中，有大量的数据属于偶然性数据，或者数据的分布不能够贴切符合正态分布，并且数据量有时候也不够稳定，会过多或过少，这些情况传统单一T检验并不能够有效筛选出显著程度满足要求的检测数据，这就导致了在后续依据该数据所设定的二分类模型缺乏科学的数据基础，二分类模型对待测人员的临床信息进行识别时精准度也不够高。
发明内容
本发明的目的在于提供一种基于推举算法的临床医学判别方法及系统，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：
基于推举算法的临床医学判别方法，包括步骤：收集临床医学数据，选择带有数学参数的临床医学数据；
对带有数学参数的临床医学数据，进行改进型T检验，选择出显著程度满足要求的临床医学数据以及选择出显著程度满足要求的临床医学指标；在进行改进型T检验之前构建平滑函数并确定平滑函数中样本类型系数的数值；
将选择出的显著程度满足要求的临床医学数据及其临床医学指标输入到基于预设推举算法所构建的二分类模型之中并对其分类识别。
进一步，进行改进型T检验具体包括有：
通过改进型T检验模型对每一组取样人的临床医学数据及其临床医学指标与目标参考临床医学数据及其临床医学指标进行独立样本t检验，然后根据样本自由度确定t临界值完成t检验并确定显著程度满足要求的临床医学数据以及选择出显著程度满足要求的临床医学指标。
进一步，所述改进型T检验模型具体为，t=b*exp(s1 2)/（exp(s2 2)-1）*（x1-x2）*(s1 2/n1+s2 2/n2)-1/2，
其中的b*exp(s1 2)/（exp(s2 2)-1）为平滑函数，其中的（x1-x2）*(s1 2/n1+s2 2/n2)-1/2为基础模型，
其中的b为平滑函数的样本类型系数，s1 2为一组取样人的临床医学数据或其临床医学指标对应检验数值的方差，s2 2为目标参考临床医学数据或其临床医学指标对应检验数值的方差，x1为一组取样人的临床医学数据或其临床医学指标对应检验数值的平均数，x2为目标参考临床医学数据或其临床医学指标对应检验数值的平均数，n1为一组取样人的临床医学数据或其临床医学指标对应检验数值的样本量，n2为目标参考临床医学数据或其临床医学指标对应检验数值的样本量，（x1-x2）为样本组间差异，(s1 2/n1+s2 2/n2)-1/2为样本组内差异，平滑函数及其样本类型系数可以将t值按照预期目标平滑。
进一步，所述平滑函数具体为，b*exp(s1 2)/（exp(s2 2)-1），其中的b为样本类型系数，s1 2为一组取样人的临床医学数据或其临床医学指标对应检验数值的方差，s2 2为目标参考临床医学数据或其临床医学指标对应检验数值的方差，平滑函数具体构建过程包括：通过临床医学数据或其临床医学指标的具体内容对其分配不同的样本类型系数，通过学习训练和检验改进样本类型系数并确定每一个具体的临床医学数据或其临床医学指标的样本类型系数。
进一步，所述临床医学数据包括血常规、肝功能、肾功能、尿检、粪检和血液金属含量涉及的检测数据；临床医学指标包括血常规、肝功能、肾功能、尿检、粪检和血液金属含量涉及的检测指标。
基于推举算法的临床医学判别系统包括
数据收集选择单元，用于收集临床医学数据，选择带有数学参数的临床医学数据；
检验单元，用于对带有数学参数的临床医学数据，进行改进型T检验，选择出显著程度满足要求的临床医学数据以及选择出显著程度满足要求的临床医学指标；
分类单元，用于将选择出的显著程度满足要求的临床医学数据及其临床医学指标输入到基于预设推举算法所构建的二分类模型之中并对其分类识别。
与现有技术相比，本发明的有益效果：
本申请通过进行改进型T检验，选择出显著程度满足要求的临床医学数据以及选择出显著程度满足要求的临床医学指标，本申请没有采用传统单一t检验能够有效筛选出显著程度满足要求的检测数据，解决现有技术的问题。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
本申请公开了基于推举算法的临床医学判别方法，在具体实施之中包括步骤：
收集临床医学数据，选择带有数学参数的临床医学数据；
对带有数学参数的临床医学数据，进行改进型T检验，选择出显著程度满足要求的临床医学数据以及选择出显著程度满足要求的临床医学指标；在进行改进型T检验之前构建平滑函数并确定平滑函数中样本类型系数的数值；
将选择出的显著程度满足要求的临床医学数据及其临床医学指标输入到基于预设推举算法所构建的二分类模型之中并对其分类识别。所述临床医学数据包括血常规、肝功能、肾功能、尿检、粪检和血液金属含量涉及的检测数据；临床医学指标包括血常规、肝功能、肾功能、尿检、粪检和血液金属含量涉及的检测指标。
本申请通过进行改进型T检验，选择出显著程度满足要求的临床医学数据以及选择出显著程度满足要求的临床医学指标，本申请没有采用传统单一t检验能够有效筛选出显著程度满足要求的检测数据，解决现有技术的问题。
优选地进行改进型T检验具体包括有：
通过改进型T检验模型对每一组取样人的临床医学数据及其临床医学指标与目标参考临床医学数据及其临床医学指标进行独立样本t检验，然后根据样本自由度确定t临界值完成t检验并确定显著程度满足要求的临床医学数据以及选择出显著程度满足要求的临床医学指标。
一般的t检验分为单总体检验和双总体检验。单总体t检验时检验一个样本平均数与一个已知的总体平均数的差异是否显著。当总体分布是正态分布。
单总体t检验统计量为：
双总体t检验是检验两个样本平均数与其各自所代表的总体的差异是否显著。双总体t检验又分为两种情况，一是独立样本t检验，一是配对样本t检验。t检验的适用条件(1)已知一个总体均数；(2)可得到一个样本均数及该样本标准差；（3）样本来自正态或近似正态总体。
优选地所述改进型T检验模型具体为，t=b*exp(s1 2)/（exp(s2 2)-1）*（x1-x2）*(s1 2/n1+s2 2/n2)-1/2，
其中的b*exp(s1 2)/（exp(s2 2)-1）为平滑函数，其中的（x1-x2）*(s1 2/n1+s2 2/n2)-1/2为基础模型，
其中的b为平滑函数的样本类型系数，s1 2为一组取样人的临床医学数据或其临床医学指标对应检验数值的方差，s2 2为目标参考临床医学数据或其临床医学指标对应检验数值的方差，x1为一组取样人的临床医学数据或其临床医学指标对应检验数值的平均数，x2为目标参考临床医学数据或其临床医学指标对应检验数值的平均数，n1为一组取样人的临床医学数据或其临床医学指标对应检验数值的样本量，n2为目标参考临床医学数据或其临床医学指标对应检验数值的样本量，（x1-x2）为样本组间差异，(s1 2/n1+s2 2/n2)-1/2为样本组内差异，平滑函数及其样本类型系数可以将t值按照预期目标平滑。
优选地所述平滑函数具体为，b*exp(s1 2)/（exp(s2 2)-1），其中的b为样本类型系数，s1 2为一组取样人的临床医学数据或其临床医学指标对应检验数值的方差，s2 2为目标参考临床医学数据或其临床医学指标对应检验数值的方差，平滑函数具体构建过程包括：通过临床医学数据或其临床医学指标的具体内容对其分配不同的样本类型系数，通过学习训练和检验改进样本类型系数并确定每一个具体的临床医学数据或其临床医学指标的样本类型系数。
所述预设的推举算法包括LogitBoost算法和Adaboost算法，LogitBoost算法和Adaboost算法均为常见的算法，其中的AdaBoost的基本想法是不断调整训练数据中样本的权值来训练新的学习器，对于当前误分类的点在下一步中就提高权重“重点关照一下”，最后再将所有的弱分类器做加权和，对于分类正确率高的权重给得大大（更可靠），分类正确率低的给的权重低乃至是负的权重。其具体的算法可以用前向分布可加模型，配以指数损失函数得到，其中的AdaBoost对于误分类点的惩罚过大造成对异常点敏感，并且不能预测类别的概率。LogitBoost算法可以弥补这两个缺憾，它采样前向分步可加模型，损失函数选取为对数损失函数，每一步迭代的时候是考虑牛顿下降法应用于误差函数来更新模型。
在一种具体的实施中，基于推举算法的临床医学判别方法，包括步骤，收集临床医学数据，选择带有数学参数的临床医学数据；
对带有数学参数的临床医学数据，进行改进型T检验，通过改进型T检验模型对每一组取样人的临床医学数据及其临床医学指标与目标参考临床医学数据及其临床医学指标进行独立样本t检验，然后根据样本自由度确定t临界值完成t检验并确定显著程度满足要求的临床医学数据以及选择出显著程度满足要求的临床医学指标；
所述改进型T检验模型具体为，t=b*exp(s1 2)/（exp(s2 2)-1）*（x1-x2）*(s1 2/n1+s2 2/n2)-1/2，
其中的b*exp(s1 2)/（exp(s2 2)-1）为平滑函数，其中的（x1-x2）*(s1 2/n1+s2 2/n2)-1/2为基础模型，
其中的b为平滑函数的样本类型系数，s1 2为一组取样人的临床医学数据或其临床医学指标对应检验数值的方差，s2 2为目标参考临床医学数据或其临床医学指标对应检验数值的方差，x1为一组取样人的临床医学数据或其临床医学指标对应检验数值的平均数，x2为目标参考临床医学数据或其临床医学指标对应检验数值的平均数，n1为一组取样人的临床医学数据或其临床医学指标对应检验数值的样本量，n2为目标参考临床医学数据或其临床医学指标对应检验数值的样本量，（x1-x2）为样本组间差异，(s1 2/n1+s2 2/n2)-1/2为样本组内差异，平滑函数及其样本类型系数可以将t值按照预期目标平滑；
平滑函数具体构建过程包括：通过临床医学数据或其临床医学指标的具体内容对其分配不同的样本类型系数，通过学习训练和检验改进样本类型系数并确定每一个具体的临床医学数据或其临床医学指标的样本类型系数；
选择出显著程度满足要求的临床医学数据以及选择出显著程度满足要求的临床医学指标；在进行改进型T检验之前构建平滑函数并确定平滑函数中样本类型系数的数值；
将选择出的显著程度满足要求的临床医学数据及其临床医学指标输入到基于预设推举算法所构建的二分类模型之中并对其分类识别。
本申请还公开基于推举算法的临床医学判别系统，其包括：
数据收集选择单元，用于收集临床医学数据，选择带有数学参数的临床医学数据；
检验单元，用于对带有数学参数的临床医学数据，进行改进型T检验，选择出显著程度满足要求的临床医学数据以及选择出显著程度满足要求的临床医学指标；
分类单元，用于将选择出的显著程度满足要求的临床医学数据及其临床医学指标输入到基于预设推举算法所构建的二分类模型之中并对其分类识别。
Claims (4)
1.基于推举算法的临床医学判别方法，其特征在于，包括步骤：
收集临床医学数据，选择带有数学参数的临床医学数据；
对带有数学参数的临床医学数据，进行改进型T检验，选择出显著程度满足要求的临床医学数据以及选择出显著程度满足要求的临床医学指标；在进行改进型T检验之前构建平滑函数并确定平滑函数中样本类型系数的数值；
将选择出的显著程度满足要求的临床医学数据及其临床医学指标输入到基于预设推举算法所构建的二分类模型之中并对其分类识别；
所述改进型T检验模型具体为，t=b*exp(s1 2)/（exp(s2 2)-1）*（x1-x2）*(s1 2/n1+s2 2/n2)-1/2，
其中的b*exp(s1 2)/（exp(s2 2)-1）为平滑函数，其中的（x1-x2）*(s1 2/n1+s2 2/n2)-1/2为基础模型，
其中的b为平滑函数的样本类型系数，s1 2为一组取样人的临床医学数据或其临床医学指标对应检验数值的方差，s2 2为目标参考临床医学数据或其临床医学指标对应检验数值的方差，x1为一组取样人的临床医学数据或其临床医学指标对应检验数值的平均数，x2为目标参考临床医学数据或其临床医学指标对应检验数值的平均数，n1为一组取样人的临床医学数据或其临床医学指标对应检验数值的样本量，n2为目标参考临床医学数据或其临床医学指标对应检验数值的样本量，（x1-x2）为样本组间差异，(s1 2/n1+s2 2/n2)-1/2为样本组内差异，平滑函数及其样本类型系数可以将t值按照预期目标平滑；进行改进型T检验具体包括有：通过改进型T检验模型对每一组取样人的临床医学数据及其临床医学指标与目标参考临床医学数据及其临床医学指标进行独立样本t检验，然后根据样本自由度确定t临界值完成t检验并确定显著程度满足要求的临床医学数据以及选择出显著程度满足要求的临床医学指标。
2.根据权利要求1所述的基于推举算法的临床医学判别方法，其特征在于，所述平滑函数具体为，b*exp(s1 2)/（exp(s2 2)-1），其中的b为样本类型系数，s1 2为一组取样人的临床医学数据或其临床医学指标对应检验数值的方差，s2 2为目标参考临床医学数据或其临床医学指标对应检验数值的方差，平滑函数具体构建过程包括：通过临床医学数据或其临床医学指标的具体内容对其分配不同的样本类型系数，通过学习训练和检验改进样本类型系数并确定每一个具体的临床医学数据或其临床医学指标的样本类型系数。
3.根据权利要求1所述的基于推举算法的临床医学判别方法，其特征在于，所述临床医学数据包括血常规、肝功能、肾功能、尿检、粪检和血液金属含量涉及的检测数据；临床医学指标包括血常规、肝功能、肾功能、尿检、粪检和血液金属含量涉及的检测指标。
4.利用权利要求1所述方法的基于推举算法的临床医学判别系统，其特征在于，包括：
数据收集选择单元，用于收集临床医学数据，选择带有数学参数的临床医学数据；
检验单元，用于对带有数学参数的临床医学数据，进行改进型T检验，选择出显著程度满足要求的临床医学数据以及选择出显著程度满足要求的临床医学指标；
分类单元，用于将选择出的显著程度满足要求的临床医学数据及其临床医学指标输入到基于预设推举算法所构建的二分类模型之中并对其分类识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310205425.5A CN116189909B (zh) | 2023-03-06 | 2023-03-06 | 基于推举算法的临床医学判别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310205425.5A CN116189909B (zh) | 2023-03-06 | 2023-03-06 | 基于推举算法的临床医学判别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116189909A CN116189909A (zh) | 2023-05-30 |
| CN116189909B true CN116189909B (zh) | 2024-02-20 |
Family
ID=86448596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310205425.5A Active CN116189909B (zh) | 2023-03-06 | 2023-03-06 | 基于推举算法的临床医学判别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116189909B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117137442B (zh) * | 2023-09-04 | 2024-03-29 | 佳木斯大学 | 基于生物学特征帕金森症辅助检测系统、机器可读介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145715A (zh) * | 2017-04-12 | 2017-09-08 | 温州医科大学 | 一种基于推举算法的临床医学智能判别装置 |
| CN108896682A (zh) * | 2018-07-18 | 2018-11-27 | 杭州汇健科技有限公司 | 一种肽指纹图谱的快速质谱分析与谱图判别方法 |
| CN109567799A (zh) * | 2018-12-26 | 2019-04-05 | 杭州电子科技大学 | 基于平滑小波相干性的肌电信号特征提取方法 |
| CN109840554A (zh) * | 2018-12-26 | 2019-06-04 | 贵州联科卫信科技有限公司 | 一种基于svm-rfe-mrmr算法的阿兹海默症mri图像分类方法 |
| CN110473635A (zh) * | 2019-08-14 | 2019-11-19 | 电子科技大学 | 一种青少年脑结构网络和脑功能网络关系模型的分析方法 |
| JP2020031538A (ja) * | 2018-08-27 | 2020-03-05 | 学校法人早稲田大学 | 血管病の病態再構築に関する方法、疾患モデル及び装置 |
| CN111462900A (zh) * | 2020-04-14 | 2020-07-28 | 常州市第一人民医院 | 一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型 |
| CN111696665A (zh) * | 2020-06-10 | 2020-09-22 | 杭州联众医疗科技股份有限公司 | 一种基于时间编码的辅助决策系统 |
| WO2022268102A1 (zh) * | 2021-06-22 | 2022-12-29 | 安翰科技(武汉)股份有限公司 | 基于深度学习的癌症预后生存预测方法、设备及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016145628A1 (en) * | 2015-03-18 | 2016-09-22 | Nestec S.A. | Composition comprising siallyllactose for use in enhancing learning skills and memory function |
| EP3394623A4 (en) * | 2015-12-21 | 2019-08-07 | Biomerica, Inc. | COMPOSITIONS, DEVICES AND METHODS FOR ASSESSING THE SENSITIVITY OF PSORIASIS TO FEEDING |
| US20210150671A1 (en) * | 2019-08-23 | 2021-05-20 | The Trustees Of Columbia University In The City Of New York | System, method and computer-accessible medium for the reduction of the dosage of gd-based contrast agent in magnetic resonance imaging |
-
2023
- 2023-03-06 CN CN202310205425.5A patent/CN116189909B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145715A (zh) * | 2017-04-12 | 2017-09-08 | 温州医科大学 | 一种基于推举算法的临床医学智能判别装置 |
| CN108896682A (zh) * | 2018-07-18 | 2018-11-27 | 杭州汇健科技有限公司 | 一种肽指纹图谱的快速质谱分析与谱图判别方法 |
| JP2020031538A (ja) * | 2018-08-27 | 2020-03-05 | 学校法人早稲田大学 | 血管病の病態再構築に関する方法、疾患モデル及び装置 |
| CN109567799A (zh) * | 2018-12-26 | 2019-04-05 | 杭州电子科技大学 | 基于平滑小波相干性的肌电信号特征提取方法 |
| CN109840554A (zh) * | 2018-12-26 | 2019-06-04 | 贵州联科卫信科技有限公司 | 一种基于svm-rfe-mrmr算法的阿兹海默症mri图像分类方法 |
| CN110473635A (zh) * | 2019-08-14 | 2019-11-19 | 电子科技大学 | 一种青少年脑结构网络和脑功能网络关系模型的分析方法 |
| CN111462900A (zh) * | 2020-04-14 | 2020-07-28 | 常州市第一人民医院 | 一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型 |
| CN111696665A (zh) * | 2020-06-10 | 2020-09-22 | 杭州联众医疗科技股份有限公司 | 一种基于时间编码的辅助决策系统 |
| WO2022268102A1 (zh) * | 2021-06-22 | 2022-12-29 | 安翰科技(武汉)股份有限公司 | 基于深度学习的癌症预后生存预测方法、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 王家钺.《基于R的语言学统计方法》.外语教学与研究出版社,2019,101-107. * |
| 程桂枝等.《经济计量分析与Excel应用》.中国市场出版社,2005,243-248. * |
| 统计显著性检验：问题与思考;鲍贵、席雁;《南京工程学院学报（社会科学版）》;第10卷(第4期);27-32 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116189909A (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109785973B (zh) | 一种手术患者在围手术期发生并发症的定量预测方法 | |
| CN108717867A (zh) | 基于梯度迭代树的疾病预测模型建立方法及装置 | |
| CN110263934B (zh) | 一种人工智能数据标注方法和装置 | |
| CN111539308B (zh) | 基于深度学习的胚胎质量综合评价装置 | |
| CN111343147B (zh) | 一种基于深度学习的网络攻击检测装置及方法 | |
| CN116189909B (zh) | 基于推举算法的临床医学判别方法及系统 | |
| WO2021179514A1 (zh) | 一种基于人工智能的新型冠状病毒患者病况分类系统 | |
| CN111312399A (zh) | 一种早期预测妊娠糖尿病模型的建立方法 | |
| CN114530249A (zh) | 一种基于肠道微生物的疾病风险评估模型构建方法及应用 | |
| CN116705325B (zh) | 一种伤口感染风险评估方法及其系统 | |
| CN112837799B (zh) | 基于区块链的远程互联网大数据智慧医疗系统 | |
| CN115346598A (zh) | 一种慢性肾脏病遗传基因风险筛查系统 | |
| US6941288B2 (en) | Online learning method in a decision system | |
| CN111414930A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
| CN111261298B (zh) | 一种医疗数据质量预判方法、装置、可读介质及电子设备 | |
| CN111666981B (zh) | 一种基于遗传模糊聚类的系统数据异常检测方法 | |
| CN116864011A (zh) | 基于多组学数据的结直肠癌分子标志物识别方法及系统 | |
| CN111178383A (zh) | 一种基于多核支持向量机的电池单体品质分类方法 | |
| CN113948206B (zh) | 一种基于多层级框架的疾病分期模型融合方法 | |
| CN115188475A (zh) | 一种狼疮肾炎患者风险预测方法 | |
| WO2022139735A1 (en) | Disease classification based on rna-sequencing data and an algorithm for the detection of disease-related genes | |
| CN113888318A (zh) | 风险检测方法及系统 | |
| CN111145883A (zh) | 一种基于逻辑回归的医疗保障归类评估方法 | |
| CN115132351B (zh) | 基于真实世界研究的诊断数据反馈评价系统及方法 | |
| CN117171478B (zh) | 一种医学检测数据误差识别模型构建方法与装置 |
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 |