基于XGBoost模型的营养成分分析高血压预测方案

高血压是一种常见的慢性病,若能早发现、早采取措施可降低其引发并发症的风险。尽管高血压的产生与发展与诸多因素有关,但饮食被公认为影响高血压的主要因素之一。机器学习模型可以对疾病进行有效预测,并提供辅助治疗。笔者提出一种基于XGBoost的通过分析营养成分预测高血压的方案,该方案由数据转换、特征选择、数据清理与标准化、模型搭建、分类与评估5部分组成。实验结果表明,XGBoost在高血压预测中获得了0.859的F1分数且准确率超过85%,高于随机森林、支持向量机与人工神经网络。此外通过分析不同营养成分对高血压预测的影响因素,获得了影响高血压的前10个营养特征,大部分与医学结论相同,验证了模型的有效性。

基于神经网络的智慧社区居民高血压预测研究

随着智慧社区的实践建设和发展,传统的社区服务已无法满足居民的要求,智慧医疗作为社区服务的重要内容,更必不可少。面对当代社区居民生活习惯不良,身体检查不及时而导致慢性病病例日益增多的情况,建立了针对高血压疾病的BP神经网络(BPNN)预测模型。针对智慧社区数据采集不完备、数据丢失等导致的单值缺失问题,提出了基于BPNN预测插补的算法,以已知健康信息预测插补出缺值信息,再将补全后的数据预测出居民得高血压的风险,即可对含缺值的样本进行高血压预测的方法。实验结果显示BPNN插补法比传统的插补法的准确度更高,误差为5.3%,且插补后数据应用于高血压预测也效果更优,正确率为93%,即该模型可对不完备数据样本进行高血压预测,在居民体检前可提供预测结果,节省医疗资源,为社区居民提供一定的医疗保障服务。

基于注意力机制及图循环神经网络的高血压预测系统设计

近年来,随着传感器技术的快速发展,可穿戴自动监控设备可以提供持续的动态监测,并且能够精准的捕捉生理信号。利用可穿戴设备实时监测患者的健康信息,并将基于深度学习算法的高血压预测模型部署在云端实现远程诊断,使得个性化高血压检测成为可能[1]。然而,目前已有的基于可穿戴设备的算法大多利用单一信号分析,且没有考虑患者的个体性差异,已有高血压预测研究表明,多种生理信号的联合应用可以提高高血压预测的检出准确率。因此,本文提出一种基于注意力机制及图循环神经网络的高血压预测系统,利用多模态生理参数数据,联合个体差异化信息,进一步提升高血压检出准确率。

1556例孕妇妊娠高血压综合征的预测及干预效果观察

目的探讨妊娠高血压综合征的预测及预防效果。方法应用SD-Ⅱ型妊娠高血压预测分析系统,对我院门诊定期产检的1556例孕妇进行妊娠高血压预防性监测,筛选出妊娠高血压疑似患者523例。随机分为干预组和观察组。其中,干预组为264例,给予药物治疗和特殊护理干预;观察组为259例,只定期产前检查,做一般护理干预。结果干预组中发展为妊娠高血压12例,发生率为4.55%;观察组中发展为妊娠高血压26例,发生率为10.16%,干预组妊娠高血压的发病率明显低于对照组(P<0.05)。结论通过应用SD-Ⅱ型妊娠高血压监测系统预测妊娠高血压,并对高危人群进行干预,能有效降低妊娠期高血压疾病的发病率。

APSO_LightGBM模型在高血压风险预测中的应用

APSO_LightGBM高血压风险预测模型将LightGBM算法与自适应粒子群优化算法相结合,弥补了LightGBM自身收敛速度慢的缺陷。实验表明,基于该模型的预测精度高于线性回归、决策树、SVM和LightGBM模型,参数寻优时间也远小于网格搜索与随机搜索,说明该模型可以更准确、高效地预测高血压风险,实现对疾病的早期筛查与干预。

基于大数据分析的潜在高血压病预测研究

研究高血压诊断预测准确性问题,需要根据病人的生活习性、体质指数、腰臀围以及病理特征,以完成对高血压的病理预测。但在预测过程中,由于个人的体质指数和病理特征很难保证充足,往往会出现数据属性单值突变的现象,造成对高血压预测准确率不高。提出采用大数据分析的潜在高血压病预测方法。通过采集相关数据信息,然后对采集到的数据进行包括数据清理、数据转化和数据集成的预处理,根据支持向量机理论,对数据属性进行分类,建立潜在高血压病的预测模型,计算模型属性分类结果的权重,得到不同属性对高血压病影响的重要程度分级,通过与高血压病特征参数的比较,获取潜在高血压病的预测结果。实验结果表明,采用改进算法进行潜在高血压病的预测,能够有效提高预测的准确率与预测效率,为早期高血压病的检测与防治提供数据保障,进而满足医学检测的实际需求。

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。

基于神经网络的高血压在线风险评估系统(英文)

由于先前的研究工作不够综合和精确,不足于建立准确的高血压风险评估系统,根据2231个正常样本及823个高血压样本计算的信息增益,对高血压致病因素的重要程度进行了排序,总共建立和测试了42个不同的神经网络模型,发现了一个输入为26个致病因素的神经网络模型,其预测精度远高于先前研究取得的81.61%,该模型关于"是否高血压"、"收缩压"、"舒张压"的预测符合率分别为95.79%,98.22%和98.41%.基于发现的神经网络模型及面向对象的技术,开发了一个能自动收集新样本、学习新样本并能改进预测精度的高血压风险在线评估系统.

妊娠期高血压疾病孕期预测效果分析

探讨妊娠期高血压疾病预测在产前检查的重要性，印证孕期保健及在孕期预测的重要性。回顾性分析我院2011年176例妊娠期高血压疾病预测阳性患者的临床资料的干预，对减少或避免妊娠期高血压疾病及改善母婴结局至关重要。

P波离散度对高血压合并房颤预测临床价值的研究进展

心房颤动（atrial fibrillation,Af,房颤）是临床最常见有害的心律失常之一,大多数患者发生于器质性心脏病,且其发生率随年龄和心血管疾病如高血压等的增高有明显进行性递增趋势.因此了解房颤的发生与维持机制,充分认识房颤临床相关的各个环节,从各个层次对房颤进行综合治疗,仍然是当今心血管病医生的重要课题.自从1998年Dilaveris P E等提出了P波离散度（Pd）的概念以来,并认为Pd是预测阵发性心房颤动的简单生理指标,并指出Pmax≥110ms及Pd≥40ms诊断阵发性房颤的敏感性为75%、特异性为92%,且重复性强、可靠性高.国内学者对P波离散度与阵发性心房颤动的关系给予了极大的关注.本文就有关P波离散度的相关概念、形成及P波离散度对阵发性心房颤动的预测价值性等作一综述.

脉搏波传导速度的原理方法及临床意义

脉搏波传导速度是评估动脉血管功能变化简捷、有效、经济的非侵入性指标,能够综合反映各种危险因素对血管的损伤,是心血管事件的独立预测因子。流行病学研究已经证实动脉僵硬度在心血管疾病中的预测价值。