带缺失数据的肝炎预后判别分析及R软件实现

在医疗诊断中,处理分析的病例数据常常面对两个问题:缺失数据和方法选择。基于肝炎诱发肝功能衰竭的多项指标,使用机器学习模型对肝炎预后死亡进行判别分析,首先选用随机森林插补法对缺失数据进行插补,并用t检验对比均值插补与随机森林插补法的优劣,其次使用R软件将机器学习模型中决策树、Boosting模型、随机森林等六种模型运用到同一肝炎数据集的死亡判别,并通过K折交叉验证比较各机器学习模型的判别精准度,最终结果表明:Boosting模型判别精准度最高达100%且模型最稳定。

基于异质性模型的低体重出生儿判别分析研究

在低体重出生儿预测判别分析中,母亲行为习惯和身体特征是关键性因素,但相似的受试者母亲特征所生婴儿表现型差异较大,给低体重出生儿预测判别造成较大困惑。为提高低体重出生儿预测判别精准度,引入广义线性混合模型拟合个体异质性,构建异质性机器学习模型,通过异质性模型的分类数值模拟,其中异质性随机森林模型判别准确率达100%。数值模拟结果显示异质性模型在判别分析上有极大的优势,可以辅助医生有针对性地对受试者母亲进行诊断,实现低体重出生儿的预测精准智能化。