首页 > 文献资料
-
脑卒中类型与复发的Logistic回归预测
目的 本研究拟构建脑卒中缺血性或出血性分型回归模型、脑卒中复发回归模型.方法2012年5月-2013年9月在河北医科大学第二医院因脑卒中入院治疗244例患者的病例,对其出院后进行随访,平均随访时间为18个月.通过IBM SPSS进行Logistic回归分析,采用向前法,获得Logistic回归方程.并用Cox&Snell R Square检验计算拟合优度,获得预测准确率.使用SMOTE算法用R语言平衡数据.结果脑卒中分型的回归模型检验拟合优度为0.634,预测准确率为86.1%;缺血性脑卒中复发预测的回归模型检验拟合优度为0.236,其灵敏度为28.6%,出血性脑卒中检验拟合优度为0.272,其灵敏度为60%;SMOTE算法处理缺血性脑卒中复发预测数据,获得的回归模型Cox&Snell R Square检验拟合优度为0.488,灵敏度为89.3%.结论缺血性与出血性脑卒中类型可以使用Logistic回归进行辅助诊断,以提高诊断准确率;脑卒中患者的复发可以根据出院后对其健康检测的数据代入Logistic回归方程评估,继而针对性进行强化二级预防管理.
关键词： 脑卒中 Logistic回归分析 判别分析 SMOTE 不平衡数据 -
基于SMOTEboost的大肠癌不平衡数据集的症型分类研究
目的 利用机器学习算法处理大肠癌中医症状与证型数据,建立适用于大肠癌不平衡数据集的虚实证型分类模型.方法 量化收集的大肠癌中医临床病案数据以及文献检索数据,首先采用人工合成过采样技术对数据集进行平衡处理,再结合集成学习算法Adaboost,将症状作为输入,证型作为输出,对比传统机器学习算法分类效果,探讨大肠癌的SMOTEboost分类模型在虚实证型中的分类性能.结果 SMOTEboost分类算法在大肠癌虚实证型分类模型中,F-mean较Adaboost提高了25.40％,G-mean提高了16.60％,表明构建的分类器具有较高的分类性能与泛化能力.结论 SMOTEboost复合分类器为大肠癌中医证型分类提供很好的计算机网络模型,也为其他中医病症的临床证型判定提供借鉴意义.
