基于机器学习的膀胱癌患者生存预测模型研究

该研究旨在构建基于机器学习的生存预测模型,预测膀胱癌(BC)1、3和5年生存率,帮助医生准确识别预后较差的患者,并辅助临床预后方案制定。从监测、流行病学和最终结果(SEER)数据库中获取患者数据,基于逻辑回归(LR)、随机森林(RF)和梯度提升决策树(GBDT)和Cox比例风险模型(Cox proportional hazards)构建生存预测模型,通过在训练集和验证集中使用受试者工作特征曲线和校准度曲线评估模型性能。实验结果表明,GBDT在BC患者1、3和5年生存率预测方面具有较高的区分度和校准度。

心外科手术患者重症监护室住院时间预测模型研究

心外科患者重症监护室ICU住院时间的影响因素分析和预测有利于住院患者的早期干预和成本控制,对心脏外科患者的治疗和护理具有重要意义。本文使用重症监护数据库MIMIC-IV作为实验数据集,纳入7 567名患者数据,采用最小绝对收缩选择算子Lasso从126个影响因子中筛选出41个重要预测因子。基于梯度增强决策树GBDT算法构建了心外科重症监护室住院时间预测模型。实验结果显示,训练全部预测因子的GBDT模型平均准确率为0.688,高于传统逻辑回归LR算法平均准确率0.603,基于筛选出的重要预测因子的GBDT算法与基于全体因子的GBDT算法在最终平均准确率上效果相同,说明该方法可优化数据采集,准确预测住院时间,为临床决策支持系统提供算法支撑。

中文医学命名实体识别算法研究

针对中文医学命名实体识别任务中实体细粒度较大、识别准确率不高等问题,提出一种融合特征Albert的中文医学命名实体识别算法,利用自建的真实标注语料对模型进行训练与测试,结果表明模型具有较好的识别效果。

基于图数据库的电子病历存储方法

电子病历系统是医院信息化建设的重点,但现在存在电子病历结构化程度低,数据后期利用率不高,不同医疗机构的电子病历结构上存在差异,跨机构病历融合困难等问题。针对以上问题,提出了一种基于图数据库的电子病历存储方法,通过深度学习算法提取多源电子病历中的医学知识,构建医学知识图谱,完成基于图数据库的电子病历存储。实验表明,模型对于出现次数较多规律性较强的实体识别效果较好,在实际应用中更加高效和便利。