《内经》预测疾病死期的原则与方法探析

因疾病引起的病理性死亡,<内经>记载颇多,关于死期的推断也有很多方法.当然,<内经>所说的'死',在某些情况下,是指病情加重.其主要指导思想,一是整体性原则.

HPV E6/E7mRNA检测在ASCUS患者分流管理及预测疾病进展中的价值

目的:分析人乳头瘤病毒(HPV)E6/E7mRNA检测对非典型鳞状细胞(ASCUS)患者24个月内疾病进展的预测价值,为ASCUS患者的分流管理提供依据。方法:选取2016年1月—2017年12月本院妇科宫颈液基细胞学检查为ASCUS患者476例,比较不同宫颈病变组织活检HPV E6/E7mRNA及HPV DNA阳性检出差异,以及对随访12、24个月时宫颈活检病理≥HSIL的预测效能。结果:在慢性炎症及LSIL中HPV DNA的阳性率高于HPV E6/E7mRNA的阳性率(P<0.05),在HSIL及宫颈癌中的阳性率HPV E6/E7mRNA与HPV DNA无差异(P>0.05);HPV E6/E7mRNA检出HSIL及以上病变的特异性(40.5%)及阳性预测值(23.7%)高于HPV DNA(19.0%、18.4%)(P<0.001),HPV E6/E7mRNA与HPV DNA的灵敏度、阴性预测值无差异(P>0.05)。初次HPV E6/E7mRNA与HPV DNA检测对12、24个月时宫颈活检病理≥HSIL均具有预测效能(P<0.001),但12个月时预测效能更好,且HPV E6/E7mRNA优于HPV DNA。结论:HPV E6/E7mRNA检测能更好区别ASCUS患者高级别病变,对12个月内疾病进展的预测效能优于HPV DNA检测。

肠道宏基因组图像增强和深度学习改善代谢性疾病分类预测精度

近年来,统计学和机器学习方法被广泛用于分析人体肠道微生物宏基因组与代谢性疾病之间的关系,这对于微生物群落的功能注释和开发具有重要意义。本研究提出了一种新的可推广的肠道宏基因组图像增强和深度学习框架,用于人类代谢性疾病的分类预测。将3个代表性人类肠道宏基因组数据集中的每个数据样本分别转换为图像并进行数据增强,输入逻辑回归(logistic regression, LR)、支持向量机(support vector machine, SVM)、贝叶斯网络(Bayesiannetwork,BN)和随机森林(randomforest,RF)机器学习模型以及多层感知机(muti-layer perception, MLP)和卷积神经网络(convolutional neural network, CNN)深度学习模型。使用准确率(accuracy, A)、精确率(precession, P)、召回率(recall, R)、F1分数(F1-score)和ROC(receiver operating characteristic)曲线下面积(area under the curve, AUC)5个指标以及10折交叉验证整体评估模型疾病预测的精度性能。结果显示:MLP模型的整体表现优于CNN、LR、SVM、BN、RF以及PopPhy-CNN方法,且经过数据增强(随机旋转和添加椒盐噪声)后,MLP和CNN的模型性能均有进一步提升。MLP模型进行疾病预测的准确率进一步提高了4%~11%,F1提高了1%~6%,AUC提高了5%~10%。以上结果表明,人类肠道宏基因组图像增强和深度学习可以准确地提取微生物群特征,有效预测宿主疾病表型。本研究中使用的源代码和数据集均公开发表在Github中:https://github.com/HuaXWu/GM_ML_Classification.git。

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。

同型半胱氨酸及尿酸水平与社区人群中国动脉粥样硬化性心血管疾病风险预测关系的研究

目的:基于中国动脉粥样硬化性心血管疾病风险预测[prediction for atherosclerotic cardio-vascular disease(ASCVD)risk in China,China-PAR]模型,探讨血同型半胱氨酸(homocysteine,HCY)及UA水平与社区人群心血管病10年风险的关系。方法:以2023年3月至5月,在我中心体检的1699例50~85岁参检者作为对象,收集年龄、性别等基本临床特征,检测HCY、UA等生化指标,采用China-PAR模型进行心血管10年风险评分。按照血HCY及UA是否升高,分为四组:HCY及UA正常组,单纯高HCY组,单纯高UA组,HCY及UA升高组,比较四组间China-PAR评分的差异。结果:HCY及UA正常组,单纯高HCY组,单纯高UA组,HCY及UA升高组的心血管10年风险值中位数分别为:7.6%,11.1%,9.5%,12.9%;各组心血管10年风险高危分布情况分别为:484例(37.8%),78例(54.9%),97例(45.8%),39例(60.0%)。HCY及UA升高组心血管10年风险值中位数、高危占比显著高于前三组(P<0.01)。单因素二元Logistic回归分析显示:BMI、TG、肌酐、FBG、HbAlc、HCY、UA与心血管10年风险高危相关(P<0.01),相关系数分别为:0.158、0.258、0.009、0.715、0.986、0.059、0.003;多因素二元Logistic回归显示:BMI,FBG、HbAlc、HCY对心血管10年风险高危有显著的正向影响关系(P<0.01),相关系数分别为:0.108、0.468、0.433、0.044,UA对心血管10年风险高危无相关(P>0.05)。结论:血HCY及UA水平与社区人群China-PAR心血管10年风险高危正相关,且血HCY的相关性强于血UA。

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.

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。

基于加权平均的肠道菌群特征筛选和疾病预测模型研究

利用宏基因组分析预测人类疾病和健康状况以及发现生物标志物是当前研究的热点。通过生物信息学工具KneadData和MetaPhlAn2对原始宏基因组进行数据质量控制和去宿主污染后得到纯净序列,利用数据降维方法和随机森林模型筛选出与疾病发生高度相关的特征菌群,以代替原始数据特征作为疾病预测模型输入。结合多层感知机(multilayer perceptron,MLP)、支持向量机(support vector machine,SVM)和极端梯度提升(extreme gradient boosting,XGBoost)为子模型构建融合疾病预测模型,并在肝硬化、2型糖尿病和肥胖症3个数据集上经过特征筛选后交叉验证,得到的AUC值分别为0.9286、0.6521和0.5747。ROC曲线下面积显示,筛选出特征菌群后的模型能高效准确地筛查和诊断疾病,并能有效区分健康人和疾病患者,为建立一种新的非侵入性、可量化的辅助诊断方法提供了有益参考。

机器学习在心力衰竭疾病预测中应用的研究进展

心力衰竭(心衰,HF)是各种心血管疾病的终末期结局,具有高发病率、高死亡率和高医疗负担等特点。研究统计显示,截至2017年全球约有6434万例心衰患者,其患病率和疾病负担不断增加[1]。心力衰竭目前需要新的诊疗策略,如何早期识别心衰高风险个体,快速准确诊断,评估预后精准干预以延缓疾病进展,是现代医疗的突破点。进行心衰疾病预测通常使用统计学方法构建预测模型,预测性能有时难以令人满意。近年来随着大数据的盛行和计算机技术的进步,越来越多的心衰预测研究开始使用机器学习(ML)构建预测模型。相比于统计学,机器学习算法在处理多变量大样本数据时更具有优势,更适合进行疾病预测[2]。本文将总结机器学习在心衰疾病预测中应用的最新进展。

面向医疗系统的隐私保护疾病预测研究

为了提高医疗数据的隐私性并有效对疾病进行预测,针对从物联网(IoT)设备收集的患者医疗数据,构建了面向医疗数据的隐私保护疾病预测系统框架,通过加密组合文本建立密钥提高了系统认证阶段的隐私性,加强系统和信息传输的安全性;利用基于对数循环值的椭圆曲线密码体制(LR-ECC)提高了数据传输阶段的安全性,从而授权的医护人员可以在医院安全地下载患者数据;运用基于象群遗传算法的的深度学习神经网络(EHGA-DLNN)分类技术,在疾病预测系统(DPS)阶段,实现了疾病数据的有效分类预测;实验结果表明,LR-ECC方法在加密时间和解密时间效率方面高于其他加密方法,并且能够达到98.87%的安全级别,EHGA-DLNN方法在疾病预测分类准确率达到98.35%。

基于改进随机森林集成模型的疾病风险预测

针对疾病样本数据集不均衡以及传统模型预测精度低等问题,提出一种混合随机森林与人工神经网络(ANN)的集成预测模型。采用少数样本合成过采样技术(SMOTE)构建平衡训练数据集;结合随机森林特征选择优势和ANN的预测能力,通过集成方法构建混合随机森林与ANN的集成预测模型SMOTE-HRF-ANN以对畜禽疾病风险进行预警预测;将多种预测模型进行对比实验。实验结果表明,该模型能有效提高疾病预测的精准度与召回率,在少数类样本中的精确率和F1-score值分别达到96%和85%。

基于机器学习的呼吸道疾病预测可视化系统

呼吸道疾病是一种传染性高、覆盖面广、易感人群多的常见疾病。2019年末爆发的冠状病毒“COVID-19”引发了全球呼吸道疾病的大爆发。截至2021年12月20日,全球新冠肺炎确诊病例超过2.7亿例,死亡病例超过535万例[3]。现有的传染病预测与可视化系统常采用SEIR模型建立,但它未考虑患者年龄结构层次以及病毒变异带来的影响。文中采用多种机器学习方法建立预测模型,提供自动和手动数据特征选择方式,并将医院的患者数据信息以一种更直观的方式展示给用户,同时从更多维度对数据进行分析,为用户提供一种新思路。

鼻咽癌放疗后大出血风险机器学习预测模型构建

目的/意义构建鼻咽癌放疗后大出血风险预测模型,并评价其预测效能。方法/过程选取郑州大学第一附属医院2016—2019年鼻咽癌放疗后大出血的住院患者为研究对象,随机选取同等数量未出现大出血的患者为对照组,收集两组患者的病历指标数据,分别应用多种机器学习算法并选取最优算法构建模型。结果/结论基于支持向量机算法的模型召回率为0.94、F 1值为0.93、精确度为0.93,效果最好,可用于构建鼻咽癌放疗后大出血预测模型,为患者提供更精确的个体化预测,具有良好的临床应用前景。

基于CNN和双向LSTM的房颤预测模型

现有基于CNN的模型无法提取患者数据中的时序特征,而基于RNN的模型忽略了各医学变量的差异性特征。针对这种情况,提出一种结合CNN和RNN的房颤预测模型,利用一个独立CNN模块捕获电子病历数据中各医学变量间的差异性特征,同时使用一个独立的RNN模块捕获电子病历数据中时序性特征以及各医学变量间的相关性特征。在真实医院数据集上的实验结果表明,与最新的一些基于电子病历数据的疾病预测方法相比,该模型在房颤的预测方面表现得更加突出,F1值提高了2.14%,AUC值提高了1.32%。

一种基于深度变分门神经网络的疾病小核糖核酸关联预测模型

小核糖核酸(miRNA)在基因表达和转录等过程中具有重要作用,与疾病的产生有着密切关联。对于疾病miRNA关联识别,生物鉴定方法代价高、耗时长和效率低。为快速自适应提取疾病和miRNA构成的异质网络信息,该文基于通道型注意力设计变分门图自编码器和门多层感知器,构建一种深度变分门神经网络模型(VGAEN)并用于疾病miRNA关联预测任务。该模型整合miRNA及疾病的多种相似度信息得到miRNA和疾病的整合相似性特征,然后基于多数据融合的整合相似性网络和疾病miRNA邻接信息,利用变分门图自编码器提取miRNA和疾病网络的拓扑信息和语义信息;其次基于疾病miRNA关联矩阵,利用非负矩阵分解提取miRNA和疾病的低维线性去噪特征;最后,利用门多层感知器融合miRNA和疾病特征,预测其关联关系。实验结果表明VGAE-N模型能更有效地预测疾病miRNA关联,可为生物实验提供可靠的技术支撑。

大数据技术下的智慧医院疾病预测

目前我国医院正处于从单一的数字化医院向着多核心智慧型医院转型的过程中,只依赖数字化进行常规记录的管理方式逐渐遭到淘汰,多方位利用智能化系统的道路已经逐渐清晰。在长时间的医疗数字化演变之中,大部分医院的信息化基础建设已经成型,具备了智慧化的基础能力,但是管理模式的落后与核心技术的缺乏导致信息化建设未能充分发挥自身的潜力,仅能作为信息的存储与读取手段来使用,这是一种资源上的浪费。目前已经有了利用电子病历与大数据智慧平台进行疾病预测与诊疗的先例,例如林琳等人利用电子病历系统设计了脑血管专科数据平台,保证了临床与科研的一体化,形成了临床智能决策系统。陈静团队提出了以扩展疾病本体为基础的电子病历数据模型,促成了多源异构电子病历大数据系统的形成,提高了数据利用效率。

心血管疾病数据集下基于机器学习的心血管疾病患者识别

以心血管数据集为研究对象,探究数据集中各种数据与心血管疾病的相关性。通过逻辑回归、K近邻算法、朴素贝叶斯、决策树分类器、随机森林和神经网络等六种类型的机器学习算法来预测心血管疾病。训练后,神经网络模型的得分最高;采用准确率、混淆矩阵和F1-score对各种算法的性能进行综合比较,得出神经网络为最佳模型。采用神经网络不仅可以准确预测心血管疾病,而且如果采取合适的方法对心血管疾病患者进行治疗,可能会延长患者的生命。

电子信息技术在马属动物疾病防治中的应用

电子信息技术在动物疾病远程诊断、动物标识和追溯、智能化养殖、动物行为监测等方面发挥着重要作用,有助于提高兽医工作的效率和质量,推动兽医事业的发展。论文综述了电子信息技术在马属动物疾病防治中的应用。(1)兽医信息系统:通过建立兽医信息系统,收集、整理和分析马属动物的疾病信息,为兽医提供科学的决策依据。(2)远程诊断:养殖户可以将马属动物的病历、症状等信息上传至远程诊断平台,兽医可以根据这些信息进行诊断,并开具处方。(3)数据分析与挖掘:对大量的马属动物疾病数据进行分析,发现疾病的规律和趋势,为疾病防治提供科学依据。(4)智能监测:利用传感器、物联网等技术,实时监测马属动物的生长发育、生理指标等数据,对疾病的早期发现和预防提供支持。(5)疾病预测与预警:通过分析历史疾病数据、环境因素等,利用机器学习、人工智能等技术,对马属动物疾病的发生进行预测和预警,为疾病防治提供参考。(6)疫苗接种管理:通过射频识别(RFID)技术,对马属动物进行身份识别和疫苗接种记录管理。(7)养殖环境监测:通过传感器、物联网等技术,实时监测养殖环境的温度、湿度、空气质量等指标,减少疾病的发生。总之,应用电子信息技术可以提高马属动物疾病诊断和治疗的准确性、效率和便捷性,降低疫病传播风险,为马属动物的健康和养殖业的可持续发展提供支持。