基于BP算法的住院天数神经网络建模研究

目的建立基于BP神经网络的住院天数拟合模型,并在已建立的神经网络模型的基础上,进行住院天数的预测和影响因素的敏感度分析,利用本研究的建模结果,为BP神经网络建模的方法学提供一定的参考依据,并能帮助卫生管理决策者做出正确的决策和分析。方法利用SQL提取HIS数据,在Clementine 11．1中进行建模和预测,预测结果用SPSS 16．0进行假设检验。结果BP神经网络的拟合度和预测准确度分别为96．678％和86．67％,术前住院天数对射频消融术患者的住院天数影响最大。结论BP神经网络相埘其他传统统计方法而言,是比较适合于住院天数数据特征的建模方法。     

老年脑卒中患者病耻感预测模型构建与验证

目的 建立并验证老年脑卒中患者病耻感预测模型。方法 采用便利取样法,选取2022年5月至10月于河北大学附属医院住院的老年脑卒中患者252例为研究对象。将患者按3∶1分为建模集和验证集,采取单因素分析和二元Logistic回归分析筛选预测因子,基于回归系数构建脑卒中患者病耻感风险评分表,Hosmer-Lemeshow检验评价模型拟合度,受试者操作特征曲线（receiver operating characteristic curve,ROC曲线）分析模型预测效能。结果 Logistic回归分析显示,有躯体功能障碍、中度/重度依赖、挑战及伤害认知评价、回避应对方式均是老年脑卒中患者产生病耻感的独立影响因素（P<0.05）。构建的预测模型有良好预测能力,建模集和验证集ROC曲线下面积分别为0.902和0.728。结论 开发的老年脑卒中患者病耻感风险评分表具有良好的预测能力,可为未来开发新的量表工具提供依据,以便早期识别存在高病耻感的脑卒中患者。     

应用机器学习方法优化住院创伤患者VTE风险预测

目的:筛选住院病历系统中可能与静脉血栓栓塞症相关的特征,与Caprini评分相结合,采用机器学习方法进行建模,在量表评估的基础上进一步提升VTE预测性能.方法:回顾了2019年9月至2020年3月在四川大学华西医院创伤医学中心住院的903例创伤患者,基于Lasso回归方法进行特征筛选后,结合随机森林算法构建VTE预测模...     

时间序列模型拟合广西麻疹发病趋势的应用研究

目的探讨不同时间序列预测模型拟合麻疹发病趋势的可行性,分析两种不同时间序列模型的拟合度,建立流行病学数理统计模型,为制定麻疹预防控制策略提供科学依据。方法收集广西壮族自治区1990～2009年麻疹疫情报告数据,采用指数平滑模型和ARIMA模型,模拟1990～2009年广西麻疹疫情的动态轨迹,比较两种方法的拟合精度,评价拟合及外推效果。结果 1990～2009年广西麻疹的逐年发病率呈递减趋势,具有低水平波动的变化特征,其变动轨迹,以ARIMA模型拟合效果较好（拟合度R2=0.68）,其次为指数平滑模型（拟合度R2=0.62）,均具有一定的外展预测能力。结论 ARIMA模型适用于拟合类似麻疹发病率的动态趋势,在传染病疫情预测领域具有重要的现实意义。     

基于BP算法的地高辛血药浓度预测神经网络建模研究

目的：建立基于BP神经网络的地高辛血药尝试预测神经网络拟合模型,并在已建立的神经网络模型的基础上,进行地高辛血尝试预测和影响因素的敏感度分析,利用本研究的建模结果,为BP神经网络建模的方法学提供一定的参考依据,并能帮助医务人员做出正确的决策和分析。方法：在SPSS Clementine12.0进行建模和预测,预测结果用SPSS17.0进行ROC分析。结果：BP神经网络的拟合度和预测准确度为85.671%,其中性别、AST、日总剂量、TBIL、单次剂量对患者的治疗结果影响最大。结论：根据患者的一般资料和临床常规资料建立的地高辛血药尝试预测神经网络模型是可行有效的。     

影像组学在肺癌中的应用现状与存在问题

影像组学是通过计算机软件从大量的影像图像中提取定量特征,经特征筛选和分析建模,从而实现对疾病进行诊疗的一种方法。自2012年影像组学概念的提出,越来越多的国内外学者加入了影像组学的研究。目前,影像组学方法已经涉及肺癌的的多方面研究,包括肺癌的诊断、分型和分期、基因表型预测、疗效及预后评估。本文章对影像组学的研究内容及其在肺癌中的应用现状与存在问题进行综述,旨在提高对肺癌影像组学的认识。     

基于偏最小二乘法的亚健康状态的判别

目的：采用偏最小二乘法探讨亚健康状态的判识模型。方法：采用偏最小二乘法进行建模、预测,对亚健康状态进行判别,统计判别的准确率;在逐步回归变量筛选后再次进行预测,观察判别准确率的变化情况。结果：基于偏最小二乘法建立的亚健康判识模型对亚健康状态的预测准确率为89.47%,经变量筛选后,预测准确率提高至92.10%。结论：偏最小二乘法在亚健康状态的模型判别中具有较高的准确性,在亚健康建模的研究中有一定的参考价值。基于变量筛选后预测准确率的变化,从量表优化的角度来看,偏最小二乘法也可以为变量的精简提供一定的依据。     

卵巢上皮性癌患者生存预测模型的构建及验证

目的 分析卵巢上皮性癌（epithelial ovarian cancer,EOC）流行病学特征及影响预后的相关因素,并绘制列线图个体化预测患者的总体生存率。方法 收集公共数据库2010–2017年诊断的12 675例EOC术后患者,按7:3比例随机分为建模组（n=8875）和内部验证组（n=3800）。采用Cox回归分析筛选影响术后患者总体生存时间的独立预后因素,并建立模型,从南京医科大学第二附属医院病案系统收集82例患者作为外部验证组,预测EOC患者的生存率。用校准曲线和一致性指数（C指数）、受试者操作特征（receiver operating characteristic,ROC）曲线估计预测和实际总体生存率之间列线图的准确性和一致性。结果 根据Cox多因素筛选影响术后EOC患者总体生存时间的独立预后因素（P<0.05）构建预测模型。校准曲线显示基于预测模型预测患者的生存与实际生存具有较好的一致性。建模组、外部验证组、内部验证组在预后模型显示出中等判别能力,1、3、5年生存率的ROC曲线下面积（area under the curve,AUC）分别为0.772、0.782、...     

基于随机森林算法的糖尿病预测研究

采用随机森林算法建立糖尿病预测模型,介绍数据建模与评估步骤和方法、选择标准。以受试者工作特征曲线的曲线下面积、灵敏度、特异性、正确率等指标评价模型的预测效果,结果表明随机森林预测模型对糖尿病具有较强的预测能力。     

使用机器学习建立慢性阻塞性肺疾病患者重度气流受限风险预警模型研究

背景气流受限程度是评价慢性阻塞性肺疾病（COPD）患者疾病进展的关键指标。然而由于检查禁忌、依从性等问题,导致部分患者难以开展相关检查,无法评价疾病严重程度。目的建立并评估基于机器学习算法的COPD患者重度气流受限风险预警模型。方法采用横断面设计调查2019年1月至2020年6月四川省某三甲医院的COPD住院患者,收集患者一般临床指标与肺功能检查数据。将数据按8∶2比例随机分为训练集和测试集,在训练集中使用4种缺失值填充方法、3种特征筛选方法、17种机器学习和1种集成学习算法构建216种风险预警模型。采用ROC曲线下面积（AUC）、准确率、精确率、召回率和F1值评价模型的预测性能,分别使用十折交叉验证法和Bootstrapping算法进行内部验证和外部验证。使用测试集数据进行模型测试和选择。使用后验法进行样本量验证。结果共纳入418例患者,其中212例（50.7%）患者存在重度以上气流受限风险。经4种缺失值处理和3种特征筛选后,共获得12个处理后的数据集及12种影响气流受限因素的重要性排序,结果显示,呼吸困难指数评分（mMRC）等级、年龄、体质指数（BMI）、吸烟史（有、无）、慢性阻塞性肺疾病评估表（CAT）评分、呼吸困难（有、无）在变量特征排序中居于前列,是构造模型的关键指标,对结果预测有重要作用。其中,采取不填充、Lasso筛选方法后,mMRC等级、吸烟史（有、无）、呼吸困难（有、无）为位居前3位的预测因子,mMRC等级占特征重要性的54.15%。使用不填充、Boruta筛选方法后,CAT评分、年龄、mMRC等级为位居前3位的预测因子,CAT评分占特征重要性的26.64%。使用17种机器学习和1个集成学习算法对12个数据集分别建模,共得216个预测模型。17种机器学习算法十折交叉验证结果显示,不同算法预测性能比较,差异有统计学意义（P<0.05）,随机梯度下降算法的平均AUC最大,为（0.738±0.089）。使用Bootstrapping算法对测试集进行外部验证结果显示,不同算法所得模型的预测性能比较,差异有统计学意义（P<0.05）,集成学习算法的平均AUC最大,为（0.757±0.057）。利用Bootstrapping算法对4种缺失值处理和3种特征筛选预测性能评价结果显示,当不填充和Lasso筛选时,可提高模型的性能,差异有统计学意义（P<0.05）。使用测试集数据对216个机器学习模型进行测试,最佳模型的AUC为0.790 9,准确率为75.90%,精确率为75.00%,召回率为78.57%,F1值为0.767 4。样本量验证结果提示研究样本量可满足建模需求。结论本研究建立并评价了COPD患者重度气流受限风险预警模型,mMRC等级、年龄、BMI、CAT评分、是否有吸烟史和呼吸困难是影响气流受限的关键指标。该模型预测效果良好,具有潜在的临床应用前景。     

基于特征选择和神经网络的糖尿病预测模型研究

采用特征选择算法和人工神经网络建立糖尿病预测模型,阐述模型构建及评价步骤、方法。以灵敏度、特异度、准确率、ROC-AUC为指标评估模型的预测性能,并与其他算法模型进行对比分析,实验结果表明基于特征选择和人工神经网络的糖尿病预测模型对临床指标未知且复杂的数据集具有更好的抗干扰能力和预测性能。     

Diagnosing Breast Masses in Digital Mammography Using Feature Selection and Ensemble Methods

Methods that can accurately predict breast cancer are greatly needed and good prediction techniques can help to predict breast cancer more accurately. In this study, we used two feature selection methods, forward selection (FS) and backward selection (BS), to remove irrelevant features for improving the results of breast cancer prediction. The results show that feature reduction is useful for improving the predictive accuracy and density is irrelevant feature in the dataset where the data had been identified on full field digital mammograms collected at the Institute of Radiology of the University of Erlangen-Nuremberg between 2003 and 2006. In addition, decision tree (DT), support vector machine—sequential minimal optimization (SVM-SMO) and their ensembles were applied to solve the breast cancer diagnostic problem in an attempt to predict results with better performance. The results demonstrate that ensemble classifiers are more accurate than a single classifier.     

扩展Cox模型在非线性生存资料分析中的预测能力比较

目的 系统性地比较两类扩展Cox模型的预测能力，观察它们应用于非线性生存数据中的预测能力优劣。方法 通过蒙特卡罗模拟和实证研究从预测能力方面研究比较限制性立方样条Cox模型（Cox_ RCS），深度生存神经网络Cox模型（Cox_DNN）这两种方法的优劣；并以传统Cox模型（Cox）和随机生存森林（RSF）作为参照。其中预测的区分度评价指标采用一致性指数（C-index），该指标越大，模型预测能力越好；预测的校准度评价指标采用积分布莱尔评分（IBS），该指标越小，模型预测能力越好。结果 在数据满足比例风险的情况下，无论样本量和删失率大小，Cox_RCS的预测能力都是最好的。在数据不满足比例风险的情况下，Cox_DNN的预测能力在大样本（本文中≥500）、低删失（本文中<40%）时是最优的，其余情况Cox_RCS的预测能力优于其他模型。在实例数据中，Cox_RCS 的表现是最优。结论 在含有非线性关系的低维生存数据中，Cox_RCS 和Cox_DNN在预测能力上各有优劣。因此可根据实际数据条件选择合适的分析方法，传统的生存分析方法在特定条件下并不差于机器学习以及深度学习方法。     

基于混沌最小二乘支持向量机的软测量建模

提出一种改进算法,用来解决现有最小二乘支持向量机方法在处理大规模样本软测量建模问题时出现的模型结构复杂、失去支持向量稀疏性且正规化参数和核参数难以确定等问题。对样本集进行预处理,通过计算样本间欧氏距离进行样本相似程度分析,去除样本集中1/3的样本以简化支持向量机模型结构并提高计算速度。定义了一种混沌映射构成混沌系统并分析了其遍历性。应用改进的混沌优化算法优化最小二乘支持向量机模型参数以提高模型的拟合精度和泛化能力。将改进算法用于丙烯腈收率软测量建模中,仿真实验结果表明：模型精度较高,泛化性能好,满足现场测量要求。     

基于Logistic回归和随机森林的心力衰竭预后预测建模

目的 基于电子病历系统结构化信息创建的临床数据库,通过机器学习算法进行数据预处理和特征选择,构建预测心力衰竭患者住院期间死亡和6个月内死亡预测模型,从而辅助识别高危患者,为治疗干预提供指导。方法 以PhysioNet网站上公开的一个数据集为研究数据来源,该数据集纳入了2016年12月至2019年6月在四川省自贡市第四人民医院住院的心力衰竭患者临床信息,利用Python进行数据预处理、特征选择,并构建Logistic回归及随机森林预后预测模型,以增大ROC曲线下面积（area under curve,AUC）为目标优化模型,并在测试集中以AUC、准确率、精确度、召回率和F1分数综合验证模型预测效果。结果 通过数据预处理共获得146项特征用于住院期间心力衰竭死亡预测建模,155项特征用于6个月内心力衰竭死亡预测建模,基于随机森林的建模方法用于住院期间死亡效果最佳,AUC为0.893 1;在6个月内死亡预测上,结合LASSO和RFE进行特征选择,筛选出包括出院去向（健康护理机构、家庭或未知）、入院病房（全科）、出院科室（心血管科）、Killip分级（Ⅰ、Ⅱ和Ⅲ级）、心肌梗死情况以及充血性心力衰竭情况共10个特征进行Logistic回归建模,AUC达到0.833 6,与基于全部特征进行随机森林特征效果（AUC=0.846 0）相当。结论 本研究探索出一套针对电子病历系统结构化临床数据进行数据预处理、特征工程、机器学习算法建模并验证模型的方法,利用真实世界数据构建兼顾预测准确性和高危个体检出率的心衰预后预测模型。     

主题模型在临床文本挖掘中的应用现状

采用文献调研分析法对近10年国内外运用主题模型方法挖掘临床文本的研究进行归纳分析,总结研究现状和常用的主题模型方法,阐述主题模型在文本挖掘领域存在的局限性,以期为相关领域的研究提供借鉴。     

基因芯片数据特征选择法研究

对当前基因芯片数据的特征选择算法、效能进行综述并比较其优劣性,指出从特征自身特点出发的特征选择法可获得较好的分类效能和生物医学应用,同时也可为致病基因的寻找提供重要依据。     

Diagnosis of Chronic Kidney Disease Based on Support Vector Machine by Feature Selection Methods

As Chronic Kidney Disease progresses slowly, early detection and effective treatment are the only cure to reduce the mortality rate. Machine learning techniques are gaining significance in medical diagnosis because of their classification ability with high accuracy rates. The accuracy of classification algorithms depend on the use of correct feature selection algorithms to reduce the dimension of datasets. In this study, Support Vector Machine classification algorithm was used to diagnose Chronic Kidney Disease. To diagnose the Chronic Kidney Disease, two essential types of feature selection methods namely, wrapper and filter approaches were chosen to reduce the dimension of Chronic Kidney Disease dataset. In wrapper approach, classifier subset evaluator with greedy stepwise search engine and wrapper subset evaluator with the Best First search engine were used. In filter approach, correlation feature selection subset evaluator with greedy stepwise search engine and filtered subset evaluator with the Best First search engine were used. The results showed that the Support Vector Machine classifier by using filtered subset evaluator with the Best First search engine feature selection method has higher accuracy rate (98.5%) in the diagnosis of Chronic Kidney Disease compared to other selected methods.