基于电子病历数据的疾病预测方法

为进一步加强临床诊断的准确性,提高疾病预测的精准度。因此提出基于电子病历数据的妊娠糖尿病预测方法。首先,在建模之前,通过对样本的基线精度进行评估,验证学习算法的正确性,并在此基础上对样本进行均衡。消除因数据类别不均衡导致的模型预测结果过度偏倚。在本试验中,采用均方误差以验证该方法的精度。通过训练集构建逻辑回归模型,在预测模型中引入测试集的数据。Logistic回归的F1值和AUC值分别为0.809、0.881和0.825,与不使用该特征时相比增加了约12%。结果表明,电子病历数据驱动可以有效提高妊娠糖尿病预测的准确性。

基于医疗大数据环境的疾病预测模型设计

在大数据时代背景下,为了从海量医疗数据中挖掘出有价值的信息,保证医生疾病诊断结果的精确性和可靠性,应用大数据挖掘技术完成对基于医疗大数据下的疾病预测模型的构建。首先,介绍了决策支持、数据挖掘、知识发现等大数据挖掘相关技术。其次,从数据集成与清洗、数据填补与降维和模型构建与评价3个方面入手,完成对疾病预测模型的构建。最后,验证了模型的有效性和可靠性。结果表明:该模型在医疗疾病数据集中取得良好的预测效果,其预测正确率达到77.47%,为医生诊断患者疾病提供了重要的依据和参考。希望通过这次研究为相关人员提供有效的借鉴和参考。

基于图神经网络和随机森林的CircRNA-疾病预测

环状RNA(CircRNA)广泛参与人类疾病的进程,其突变和失调与许多人类疾病密切相关.因此,建立一个高效准确的CircRNA与疾病之间的预测算法对于提前对疾病的发生做出预防以及发病后的治疗方案具有重要意义.提出了一种新的基于图神经网络和随机森林的算法预测CircRNA-疾病关联算法,在分层网络表示嵌入部分通过构建异构网络,根据网络图的邻近性,对网络图的节点和边缘进行分层,递归地合并原始图中的节点和边,得到若干具有相似特征的较小子网络.子网络规模随着分层的深入而递减,直至得到最小子网络后,使用node2vec网络图游走算法对其进行预处理,然后将全部节点的特征向量输入至随机森林分类器来识别潜在的CircRNA-疾病关联,从而进行预测.

基于BP神经网络的两阶段疾病预测模型

为了理论解决BP神经网络在进行多目标预测中出现的识别率和可信度不高的问题,提出了一种基于DS证据理论优化的BP神经网络预测模型用于疾病预测,实验中,对心脏病数据进行处理,结果表明,在预测准确度和算法鲁棒性方面,都具有较好的效果。

医疗大数据环境下的疾病预测模型研究

随着社会经济建设以及医疗信息化的高速发展,传统的统计、分析、预测技术已经逐步无法满足行业的需求,医疗行业逐步进入大数据和人工智能时代,利用医院信息系统所积累的医疗大数据进行汇集、建模、分析,可以预测和判定未知数据的已知类型。对于医疗诊断也是同样如此,医疗信息数据挖掘和机器学习,可以为医学诊断提供丰富的实践参考价值。通过提取某三家医院大数据平台中9个指定特征症状的100份门诊病例,再提取出其中诊断结果为咳嗽病、感冒病症的病例,依据原始样本病例得出的经验熵,以及每个特征所能得到的信息增益,最后将特征数减少至2个,与原始数据集中采集的特征值有很大程度的减少。通过算法的描述得到了较简化的区分感冒和咳嗽病的决策树模型,使用该模型对其它历史病例进行测试,具有较高的准确率,基本达到诊断要求。实际应用中,可根据决策树最终特征值进行检验指标进行采集,减少了无用或者与疾病关系不大的指标采集过程,可减少疾病诊断检验复杂度,可达到诊断预测和辅助诊断的效果病,为医疗业务以及科研提供支持。

灰色GM(1,1)预测模型在疾病预测中的应用

目的 预测糖尿病死亡率的变化趋势。方法 利用灰色系统GM(1,1)预测模型Y(t)=[x(1)-u/a]e^(-a(t-1))+u/a分别预测1999—2004年糖尿病的死亡率趋势。结果 依据某市1991—1998年糖尿病死亡率资料,所建立的灰色预测模型为:Y(t)=492.36e^(0.0328(t-1))-477.03,拟合结果显示,模型的平均误差率为1.8％,精度为优(C=0.29,P=1)。结论 预测结果表明:近10年来糖尿病的死亡率呈持续上升趋势,建议有关部门加强糖尿病的防治工作。

精神疾病预测量表在抑郁症临床诊断的应用价值

目的探讨精神疾病预测量表(MDPS)在抑郁症筛查中的应用价值。方法根据美国精神障碍诊断与统计手册第4版(DSM-IV-TR),选取186例抑郁症患者(抑郁症组)、118例其他精神障碍患者(其他精神障碍组)及302例正常对照者(正常对照组)进行MDPS评估,分析三者间差异;以MDPS的11个因子为自变量,临床诊断为因变量,进行Logistic多元回归,分析回归模型预测成功率。结果抑郁症组、其他精神障碍组的MDPS总分及各因子分均显著高于正常对照组(P<0.01);抑郁症组在个性内向、心理防御不良、社会支持缺乏、抑郁显著高于其他精神障碍组患者(P<0.01);Logistic回归显示,应激源、精神病性、抑郁和神经症四个因子对抑郁症的诊断有显著的预测作用(χ^2=473.509,P=0.000),模型预测成功率达90.6%。结论MDPS评估与抑郁症临床诊断具有较高的一致性,可作为抑郁症筛查的有效指标。

基于集成学习的疾病预测模型研究

多种慢性疾病若不能得到有效诊断和治疗会引发综合征,因此疾病的早期识别和诊断在临床实践中发挥着重要作用。目前提出的模型都假设用于训练模型的数据是完美的,而现实的医学数据中通常存在大量的缺失值和类别不平衡,这两个问题严重阻碍了模型的预测能力。为此,以糖尿病为例提出了一种基于集成学习的疾病预测模型,并且在评价模型的过程中采用了临床诊断试验的实际度量指标。在公开的皮马印第安人糖尿病数据集上的实验结果表明所提模型优于已有模型。另外,所提模型还可以用于其他疾病的预测。

基于电子病历大数据分析的疾病预测建模

目的:探讨影响原发性肺癌发病危险因素,构建疾病预测模型,为肺癌预防和疾病控制提供依据。方法:基于大数据理念,通过构建医疗大数据中心层,整合分散临床数据,针对医院不同的业务需求提供给各专题数据中心。在数据应用方面,采用单因素和多因素条件Logistic回归模型进行分析,通过主成分法对主要危险因素提取公因子,并对公因子进行条件Logistic回归拟合分析。结果及结论:提出了一种基于Logistic回归分析的疾病预测模型构建方法,可进一步建立系统,突出临床应用价值。

一种基于降噪自动编码器和宽度学习的增量式疾病预测模型

疾病预测模型通过利用收集到的医疗数据,能够在患者疾病发作前准确地进行疾病预测.目前在疾病预测方面深受欢迎的深度神经网络,它依靠增加网络层数来提升模型的准确率,利用梯度下降来进行权重的更新,而这导致了模型梯度爆炸、训练速度慢等问题.一旦数据更新,深度神经网络需要重新训练,进而导致模型更新困难.宽度学习(Broad Learning System,BLS)无须梯度下降的特性与其可通过增量学习快速重构的优势为有效解决上述问题提供了技术方案,但是BLS无法提取到隐藏在医疗数据中深层次的特征,其在复杂的医疗环境下仍然表现不佳.针对该问题,本文提出一种基于降噪自动编码器(Denoising AutoEncoder,DAE)与宽度学习的增量式疾病预测模型——DAE-BLS.所提模型将DAE引入BLS的架构设计中,结合了DAE在混乱环境下的降噪能力与BLS的简洁快速的特点,既保证了高效的运算能力又增强了特征提取能力,因而更适用于复杂医疗环境.将DAE-BLS在包含不同格式以及不同数据量的糖尿病、心力衰竭、心电异常和乳腺癌数据集上进行模拟预测实验,实验结果表明,DAE-BLS能够在保留宽度结构的神经网络快速高效特点的同时,在不同格式的数据上表现出很好的性能,分别达到96.62%,94.53%,98.50%与83.64%的准确率,并能在需要更改模型结构时通过增量学习技术快速重构以适应用户不断变化的疾病数据.

BP神经网络在疾病预测中的应用

目的:探讨BP神经网络在疾病预测中的应用。方法:设计合适的BP神经网络模型,用Matlab7.0编写模型程序,利用精神分裂症影响因素拟合模型。结果:BP神经网络在精神分裂症发病与否的预测中取得了较好的效果。结论:BP神经网络在流行病学中有良好的应用前景。

用受试者工作特征曲线(ROC)分析精神疾病预测量表对精神分裂症的诊断价值

目的应用ROC曲线评价精神疾病预测量表(MDPS)对精神分裂症的诊断价值。方法对257例住院患者使用MDPS评定,并以CCMD-3为金标准诊断精神分裂症145例为病例组,其余112例作为对照组,同时应用受试者工作特性曲线(ROC)分析。结果病例组MDPS的精神病性因子分高于对照组,有显著性差异(P<0.05)。精神疾病预测量表总分及精神病性因子的ROC曲线下面积分别为55.3%、84.4%。以精神病性因子≥6为临界值,预测精神分裂症的敏感性、特异性、阳性似然比及Youden指数分别为70.3%、83.9%、4.37、0.542。结论精神疾病预测量表简便、准确、实用,具有临床使用价值,适合推广用于精神疾病的预测。

基于数据挖掘的疾病预测模型的构建与分析

在大数据时代,HIS在全国绝大多数医院得到有效推广,这在一定程度上提高医院的工作效率,但是也产生一个亟待解决的重要问题:如何能在HIS的海量医学数据中发现潜在、有价值的信息,从而有效地支持医生进行疾病的诊断与决策,进而缓解当前紧张的医患关系。把数据挖掘技术引入到海量医学数据的分析中,提出一种基于决策树的疾病预测模型,并在实际的医学疾病数据集上进行验证,能取得较好的预测效果。

基于图像信息和排序学习技术的疾病预测方法

在基于图像信息的疾病临床诊断中,医生通常将患者的采集图像与标准照片对比,通过比较图像中的视觉特征信息来判断患者疾病的严重程度。然而,这种诊断方法比较主观且可重复性不高,因此提出一种新颖的基于图像信息和排序学习技术的计算机辅助诊断疾病方法,并通过白内障疾病诊断的临床实验来验证方法的有效性。该方法利用排序函数对记录了患者白内障疾病的裂隙灯图像进行排序,而该排序函数则是基于一类新提出的近似排序标准并通过梯度法优化而求解的。在实验中,以1 000名具备白内障疾病患者的裂隙灯图像来组建实验用数据库,用提出的新方法和现有的其他基于模式识别技术的诊断方法分别对这1 000个案例进行了疾病诊断预测,预测结果采用统计学方法进行了比较和分析,新提出的方法可行性和优越性均得到了验证。

基于知识表示向量的可解释深度学习模型及其疾病预测应用

近年来,深度学习方法广泛应用于各种疾病预测任务,甚至在其中一些方面超过了人类专家。然而,算法的黑盒性质限制了其临床应用。对此,本文结合知识表示学习和深度学习方法构建了一种融入知识表示向量的可解释深度学习模型。该模型首先依据体检指标正常范围构建体检指标与检测值之间的关系图,并通过基于知识表示学习的深度学习模型对人体体检指标与检测值关系图进行编码,然后将患者体检数据表示为向量,输入到构建的自注意力机制和卷积神经网络构建的分类器中来实现疾病预测。将模型应用于糖尿病预测实验中,其准确率和召回率均优于对比的机器学习方法。与表现较优的随机森林算法相比,模型的准确率和召回率分别提升了0.81%和5.21%。实验结果表明,通过可解释性方法将知识表示学习和深度学习技术融合应用于糖尿病预测,可以达到对糖尿病的早期发现与辅助诊断的目的。

基于HP滤波和神经网络的疾病预测模型实证研究——以广东省为例

采用HP滤波技术和人工神经网络建立疾病预测模型,研究表明所建立的模型预测精度高于单独采用人工神经网络建立的预测模型,并且以广东省为例的实证分析预测结果中80%的预测结果误差小于5%,表明所建立的预测模型能够比较准确地预测疾病发病人数,对疾病控制和预防具有重要意义。

妊娠期高血压疾病预测分析系统的临床应用

目的：探讨妊娠期高血压疾病预测分析系统在妊娠期高血压疾病中的临床应用情况，观察妊娠期高血压疾病预测阳性患者接受干预性治疗的临床效果。方法应用SD-Ⅱ型妊娠期高血压疾病预测分析系统对江阴市人民医院产科门诊1364例孕20～40周孕妇进行监测，预测阳性者每2周复查1次，预测阴性者每4周复查1次，对预测阳性患者部分进行生活指导和干预性治疗，为干预组，非干预组在出现高血压时再干预，观察两组发生妊娠期高血压的情况。结果有32例患者妊娠期高血压疾病预测阳性，预测阳性组的血管阻力（VAR）（1．59±0．09）、血液黏度（BV）（4．83±0．12）、心排指数（CI）（4．15±0．05）比预测阴性组（VAR＝1．17±0．06，BV＝4．07±0．03，CI＝3．23±0．04）高，差异有统计学意义（F值分别为450．274、1220．253、6013．051，均P＝0．00）。干预组的妊娠期高血压疾病发生率为0（0/16），而非干预组妊娠期高血压疾病发生率为18．75％（3/16），非干预组妊娠期高血压疾病发生率明显高于干预组，但差异无统计学意义（ P＞0．05）。结论妊娠期高血压疾病预测分析系统通过对妊娠期高血压疾病的预测，及时对患者进行生活指导和干预性治疗，对于减少妊娠期高血压疾病的发生发挥了很大的作用。

针对心血管疾病预测的改进算法模型

心血管疾病是危害人类生命的高危疾病之一,整合高新技术精准预测疾病发病的可能性、降低发病率是应对该疾病的最佳方法,也是不久的将来实现精准医学的关键技术之一。为了使数据类型标准化并保证数据格式的一致性,提高疾病预测的时效性以及疾病预测结果的精准度,整合国家标准化个人查体报告书及个人日常生活健康指标等相关信息,提出使用基于随机森林与Relief的特征选择方法进行数据降维,结合改进后的误差反向传播神经网络模型对心血管疾病进行预测。为了证实该模型的有效性,进行心血管疾病预测实验,并对实验结果进行可视化比较与分析。研究结果表明,改进的误差反向传播神经网络疾病预测模型在时效性、准确性与扩展性方面表现较好,分类精度达到98.68%,灵敏度达到98.78%,特异性达到98.56%,且预测速度提升了30%左右。