基于下采样的局部判别矩阵型分类的心衰死亡率预测

不平衡分类问题的特征是样本集中每类样本个数相差较大,导致分类结果偏向多数类样本,少数类样本被忽视。而在不平衡分类问题中,少数类样本需要更多的关注。本文基于上海曙光医院提供的心衰医疗数据,提出了一个针对心衰病人死亡率预测的框架,为心衰的辅助治疗和诊断提供有效的信息。心衰医疗病例属于典型的不平衡分类问题,心衰病人在总的病人数量中只占少数,在检查中,应尽可能重点关注心衰病例。本文提出的框架采用下采样方法调整样本的比例,使类与类之间的规模平衡;使用主成分分析方法对高维数据进行特征选择;并在采样后的数据集上训练局部敏感判别矩阵型分类器,提高局部样本的关注度以获得更好的分类性能。实验结果表明,该框架能对心衰医疗数据提供较好的预测结果,与同类算法比较,表现出了更好的性能,是一个有效且实用的方法。

基于AB-CNN-BiLSTM心衰死亡率预测模型

为了更有效地分配医疗资源并辅助医生诊疗,需要对ICU患者的死亡率做出更快、更准确的预测,提出一种融合注意力机制的CNN-BiLSTM ICU患者心衰死亡率预测模型。对MIMICIII数据集提供的入院48小时的数据进行一系列预处理操作;通过卷积神经网络模型(CNN)及双向长短期记忆神经网络模型(BiLSTM)考虑不同参数之间的空间联系,同时关注数据时间维度上的变化;引入注意力机制赋予特征权重。实验表明,该预测模型能够有效地对ICU患者心衰死亡率进行预测,提高死亡率预测的准确性。

从中西医结合角度探讨心力衰竭在院死亡风险预测模型的构建

早期识别在院死亡风险高的心力衰竭(心衰)患者,通过应用更加积极的药物或手术等方式,可有效降低心衰患者死亡率,对提高医疗质量和医疗水平具有重要意义,亦符合疾病防治重心前移的要求。总结了心衰患者在院死亡相关的潜在危险因素和预测因子,梳理此模型的研究现状,依据古籍条文探讨中医因素(症状、体征、节气、五运六气)对于提升模型预测能力的重要性,并对比分析传统统计分析和人工智能方法构建此模型的优劣性,为心衰在院死亡中西医结合预测模型研究提供前期理论及方法学基础。