首页 > 文献资料
-
基于机器学习和数据挖掘技术进行MDR风险预警的研究初探
本文针对目前我国医疗器械不良事件(Medical Device Reporting,MDR)风险预警功能的不足,结合山东省药品不良反应监测中心医疗器械不良事件数据分析预警项目3年来的探索成果,尝试将机器学习和数据挖掘技术引入医疗器械不良事件预警领域,提出基于聚类分析和word2vec的MDR预警系统框架,并结合医疗器械不良事件报告实际数据进行分析.根据实际需要,从生产企业、注册证号、产品批号、生产日期等多个维度实现预警,为MDR风险预警问题提供一种新方法,为医疗器械不良事件监测人员提供决策支持.
-
基于运动传感器的帕金森自动分级研究
Hoehn-Yahr分级是现在临床上通用的对帕金森病分级的标准.基于运动传感器的可穿戴设备为帕金森病患者的运动功能评价提供了更客观和精准的监测.本文针对帕金森病的自动分级提出了一种基于六轴加速度与角速度传感器数据的自动分级算法.该算法采用基于各个动作特征的特殊运动参数和对每个运动无特异性的统计参数来共同建模.得到运动参数后,使用3个目前先进的机器学习算法:支持向量机、K邻近以及随机森林进行分类精度的比较.同时也分析了各个分类器使用不同参数对分类精度的影响.本研究在67例个体下的终分类精度为89.55%.
关键词： 运动传感器 帕金森病 机器学习 多分类 Hoehn-Yahr分期 -
基于疾病模式的临床决策支持系统构建
目的 针对国内外临床决策支持系统无法解决医学自然语言处理问题和存在知识表达不充分的问题,通过对疾病模式框架的分析与研究,构建基于疾病模式的临床决策支持系统.方法 整合医院现有信息系统中的患者临床数据资源,利用数据挖掘、机器学习、模式识别等大数据处理技术构建医疗决策平台.结果 构建的临床决策支持系统具有有效性,能够为临床医生提供辅助诊断.结论 基于疾病模式的临床决策支持系统的构建将传统以医生经验为主导的决策向知识库决策转变,为临床决策提供辅助支撑服务.
-
机器学习技术在疗养数据挖掘中的应用初探
本文以介绍机器学习技术在疗养数据挖掘领域的应用为目的 .文章对疗养数据挖掘的技术现状进行了分析,对机器学习的概念与相关技术进行了介绍,以及对机器学习技术在疗养领域的应用基础进行了说明,后还指出了机器学习技术在我军疗养领域的应用.机器学习技术的应用对于提升我军疗养数据的利用率、拓展疗养服务功能、制定疗养保健政策、合理配置卫勤资源等具有积极的意义.
-
基于词向量的消费者体检健康词表研究
目的 本研究探索中文消费者健康词表的构建方法;研究利用Word2vec构建消费者体检健康词表的可行性和合理性.方法 抓取天涯医院的信息作为语料,使用结巴分词进行中文分词处理,使用Word2vec构造词向量模型,从而形成消费者体检词表.后,使用预测准确率、准确率、召回率评价指标对词向量的模型效果进行评估.结果 消费者体检健康词表包含了74个种子词、137个消费者用词.候选词的准确率为94.71%,召回率为51.27%,F1值为0.33,74个种子词形成的候选词中前3个词为同义词的预测准确率为60.81%.结论 本研究验证了Word2vec在识别消费者用词方面的强大能力,利用Word2vec技术可以用来开发中文消费者健康词表.我们发现,Word2vec自动生成的候选消费者词列表质量不足以生成消费者健康词表,但是能作为人工审核构建的重要参考,为开发完整的中文CHV奠定了坚实的基础.
-
基于XGBoost算法的ICU脓毒症患者 住院死亡风险预测研究
目的 使用XGBoost算法开发加强监护病房(ICU)中脓毒症患者住院死亡风险的预测模型.方法 使用美国大型重症数据库MIMIC-III作为数据来源;根据2016年发布的第三版脓毒症诊断和定义标准,选取数据库中的脓毒症患者,提取其生命体征、实验室检查等数据;使用XGBoost开发模型,并比较其与SVM模、SAPS-II模型的预测性能.结果 共纳入10487例脓毒症患者,住院死亡率20.80％.XGBoost模型的受试者工作特征曲线下面积(AUROC)为0.836(95％置信区间:0.819-0.853),优于SVM模型和SAPS-II模型.Hosmer–Lemeshow检验显示,XGBoost模型拥有优秀的校准度.结论 基于XGBoost的ICU脓毒症患者住院死亡风险预测模型能准确地辅助临床医生进行风险预测,从而采取合适的临床干预以降低ICU脓毒症患者的死亡率.
-
医疗健康人工智能发展框架与趋势分析
从七个维度提出了医疗健康人工智能发展总体框架,解析了人工智能医疗健康需求、关键技术与供给模式,同时对医疗健康领域人工智能的发展现状进行综述,分析了发展趋势,将其发展划分为基础建设、广泛应用、自我认知3个阶段,为相关政策制订、行业应用推进、产业发展提供参考.
-
基于机器学习的名老中医诊治肺癌认知模型构建方法
认知模型是能够反映人类认知过程的计算机模型,基于认知心理学理论、机器学习方法构建的名老中医诊治肺癌认知模型,旨在探讨在真实世界名老中医是如何处理临床信息数据的,其能够较传统领悟为主的学习型继承方法、文献研究为主的定性归纳总结方法、频数统计为主的描述性分析方法更为全面、客观、可靠、高效地将名老中医“经验”固化为“知识”.对于名老中医诊治肺癌认知模型构建、评价方法的研究,有望成为中医药防治肿瘤临床决策系统的核心技术基础,为肿瘤防治的临床决策、新药研发、标准化建设、临床路径推广提供依据.
-
基于机器学习的中医治疗肝硬化组方规律研究
目的:运用机器学习技术对中医治疗肝病处方中组方规律进行分析,为肝病临床用药以及新药研发提供参考依据.方法:针对某三甲中医院肝病科近2年肝病治疗处方数据,首先运用复杂网络找出药物之间的关联结构,再运用关联规则、聚类分析等无监督机器学习方法,对其进行比较分析,终得出中医治肝硬化的组方规律.结果:对589首处方,共计257味中药,高频药物组合包括频繁二项集12项、三项集15项以及四项集14项;支持信≥10％、置信度≥90％的关联规则包括“陈皮,神曲→白术”,“猪苓,陈皮→白术”等34条;通过聚类分析,发现中药主要以5种特征进行归类.机器学习结果与构建的复杂网络结构完全一致.结论:运用机器学习方法进行中医处方数据分析,并与复杂网络方法相结合,以探究中医治疗肝硬化组方规律的方法确实可行,可为临床治疗肝硬化和找寻新方提供线索.
-
中文专利文档关键词自动提取方法研究进展
专利是一种包含学术、商业、法律等信息的科技文献,记录了大量新颖、实用的研究成果,近年来关注度不断提高.利用共词分析、文本聚类等方法对专利文献进行信息分析时,往往需要借助关键词提取技术达到降低数据复杂度、过滤噪声的目的.关键词提取技术多数基于统计规律.本文对基于词频、关联信息和多特征的关键词提取方法研究进展进行了总结,介绍了常用的分别以TF-IDF、熵、词汇链、TextRank、遗传算法、决策树学习、朴素贝叶斯分类器、支持向量机等为主导的方法.另外,本文还总结了在专利文档关键词提取中可能用到的词频、位置、语义、关联、自身等方面的特征.实际应用中,关键词自动提取技术可作为一种有力的辅助手段,降低数据处理过程中的人力和时间成本.
-
复合结构智能化辨证选方模型的构建
通过回顾机器学习中的C4.5决策树、随机森林、支持向量机、BP神经网络算法的原理与在中医辨证研究中所取得的成果,创新设计出一种复合结构的智能化辨证选方模型,并对模型进行了实现与测试.结果表明该模型输出结果的准确性高于仅使用单一算法建立的辨证选方模型,这为进一步与"方-证要素对应"的组方原则相结合,建立适用于复杂病机的临床诊疗辅助系统奠定了基础.
-
中医眼神特征提取与分类方法研究
望眼神是中医望诊的重要内容,能直接反映患者的病理生理状态.传统的望眼神主要由医生的直接目测进行判断,主观性较强,精确性及一致性较差.本研究运用现代图像处理技术和机器学习等方法对中医眼神的计算机自动识别进行了研究,提取了眨眼频率、单次眨眼时间、长眨眼次数等6个能够反映眼神的数字特征,并通过特征选择筛选出其中5个特征组成了眼神识别特征集,建立了中医眼神特征识别方法,为辅助临床辨证诊断提供了客观依据.
-
基于社区发现的中医多标签数据特征选择研究
特征选择是机器学习过程中数据预处理的关键技术,能显著提高分类模型的预测性能.文章以中医证型分类建模为背景,指出了目前的特征选择方法存在遗漏特征间相互作用的缺陷;并指出中医数据具有多标签属性,单一类别标签不能完全描述和表达数据特征,导致证型分类结果偏离实际的问题.后提出了基于复杂网络社区发现的特征选择方法以克服上述两类问题,并论证了症状-证型网络社区结构及重叠社区和节点的理论和实际意义.
-
中医学如何走进人工智能时代
随着基于神经网络的机器学习技术的成熟,人工智能开始了井喷式发展的黄金时期.文章基于人工智能的技术现状,结合中医学的特点,为中医学走进人工智能时代提供了一套清晰的思路和方法:中医学要借助于人工智能的深度学习技术,前提是要建设一个规范标定(正确诊断)的病例数据集.而建立这个数据集,需要规范的症状、体征、检测指标体系,需要规范化、结构化的证候体系,需要规范的信息采集软件平台.在此基础上,根据中医学的知识与经验建立初步的算法模型,再进行机器学习,将会大大减少要学习的内容,减少运算的工作量以及训练所需数据集的规模和精准度.由此,经验模型基础上的机器学习,是现阶段中医人工智能开发的一条既经济实用又快捷有效的途径.
-
借助人工智能技术探讨足三里循经传导效应产生的影响因素
目的:尝试借助人工智能探讨足三里循经传导效应产生的影响因素.方法:招募广州中医药大学在读本科生、研究生受试者272例,记录其基本信息包括中医体质分类、体质量指数分级、脉象、舌苔、舌质、面色.以及采用不同规格针具及针刺手法针刺足三里后终是否产生循经传导效应.运用重复增量修剪算法(RIPPER)对结果进行预估并总结相关影响因素的规则.结果:①阴虚质者往往出现循经传导效应(共55例,其中有1例被错分,即未出现循经传导效应);②平和质者出现循经传导效应(共39例,其中有0例被错分,即未出现循经传导效应);③痰湿质合并舌苔为薄白者出现循经传导效应(共31例,其中有8例被错分,即未出现循经传导效应);④痰湿质合并舌质为淡者出现循经传导效应(共7例,其中有2例被错分,即未出现循经传导效应);⑤特禀质者全部出现循经传导效应(共6例,其中有0例被错分,即未出现循经传导效应);⑥其他体质类型或体质和症状的组合不出现循经传导效应(共134例,其中有4例被错分,即出现循经传导效应).模型对测试数据的分类准确率迭94.49％.针具规格的不同和针刺手法的不同与循经传导效应差异均无统计学意义(均P＞ 0.05).结论:体质可能是循经传感效应出现与否重要的影响因素.
-
方剂治法模型知识库的扩展设计和建模实验研究
目的：完善方剂知识发掘的方法,在提高方剂治法模型识别能力的同时,发现影响模型稳健性的关键因素。方法提出中医方剂智能分析系统(CPIAS)知识库的扩展和改进设计,如效-候关系启发式筛选规则的建立,效-素关系、效-素关系鉴别、素-证关系等知识表的创建。在此基础上,CPIAS计算出量化数据,应用中医方剂分类模式识别系统(CPSVM)进行方剂治法建模实验,并对学习结果进行分析。结果利用知识库扩展和改进后的计算结果构成数据样本时,CPSVM 机器学习水平明显提升。结论方剂功效筛选、方剂症状排序、方剂证素集合是影响中医方剂治法模型构建质量的关键性因素。
-
信息技术在中医药领域应用研究概况
随着现代计算机技术和互联网的不断普及,利用先进的信息技术加强中医药信息数据库的建设,加速中医药信息的全球性传播、共享和利用,加快有效信息转化为知识,促进中医药知识快速更新,己经成为中医药现代化、信息化发展的关键".
-
基于支持向量机与层次分析法的中药方剂配伍分析
组合用药是如今新药研究的一个热点,而中药是组合用药的经典实践.该文针对中药方剂配伍及其组成药物的相关性质进行计算研究,验证并探讨所得结果在指导配伍方面的可行性.中国中医科学院中药研究所中药新药设计课题组应用中医传承辅助平台(vz0)构建了中药成方制剂的结构化数据库,其中包含4 012组方剂配伍、2 072种药物组分、26种药物属性、381种中医疾病与316种中医证候数据.在此数据集的基础上,该文采用支持向量机(SVM)分析方剂配伍数据,对药物配伍的可行性进行了预测建模;采用层次分析法(AHP)与聚类分析药物属性在方剂配伍合理性中的影响.计算结果显示,方剂-疾病与方剂-证候2个数据集在线性SVM模型下的功效预测准确率均可达90％左右,这2个数据集在线性SVM预测模型下的宏平均值与微平均值分别为0.92,0.46.并且在经过AHP映射处理后,大部分配伍禁忌组合在聚类冰柱图中与其他用药组合在聚类过程中显示出明显差别.表明采用合适的机器学习算法可以为未来进一步阐述中药组合规律以及建立更加详细的中药-病证预测模型奠定基础,为组合用药提供一定程度上的理论指导.
-
基于机器学习的卒中后抑郁影响因素分析
目的 通过机器学习判断脑卒中患者发生抑郁的影响因素.方法 从病历系统中提取符合纳入条件的688例脑卒中患者的病历资料,包括年龄、性别、脉象、面色、舌质、舌苔、中医药干预方式、体重指数(BMI)、血压、血糖、血甘油三酯、血总胆固醇、吸烟史、饮酒史、抑郁家族史、影像学卒中病灶部位及终抑郁判断结果.采用单规则(1R)算法进行学习并判断提取信息中影响卒中后患者是否抑郁的危险因素,继而将所搜集病例分为训练数据集(500例)和测试数据集(188例),并使用随机森林模型形成优判别结果.结果 通过单规则算法得出脑卒中后是否抑郁重要的影响因素为卒中病灶所在部位,其中计算机推测卒中病灶位于额叶及颞叶者易发生卒中后抑郁,基底节、脑干、小脑、延髓、枕叶的病灶则不易引起抑郁,其准确分类率达到88.95％(612/688例).对前500例训练数据集进行随机森林模型判别,其抑郁判断的正确率为98.2％;188例测试集判断结果正确率达99.47％;将688例患者资料运用随机森林模型进行学习,总的正确率为98.84％.重要性测度结果显示,病灶位置、中医药干预手段及抑郁家族史是脑卒中后是否发生抑郁重要指标的前3位. 结论 病灶位于额颞叶的脑卒中患者以及具有抑郁史的患者更容易发生卒中后抑郁.
-
人工智能与中医智能化
AlphaGo人机围棋大战的成功给中医学提供了极大的启发,中医学将可能借助基于大数据的新人工智能走上以智能化、机器化、自动化为标志的现代化之路.提出借助于智能感知、互联网、云存储等新技术,将中医药典籍和中医诊疗过程等一切中医知识、经验转化为数据,所形成的中医大数据将为中医智能化提供丰富的经验基础;深度学习、人工神经网络和蒙特卡洛搜索树等机器学习技术将为中医智能化提供可行的技术手段;在新一代人工智能的支持下,中医将沿着中医智能辅助、中医机器人和智慧中医三个由低到高的阶段走上智能化之路.
