Feb, 2024

分析和死亡预测：用于老年 2 型糖尿病患者的多类别分类

PDF
TL;DR为了管理糖尿病而设计适当的治疗计划，医务人员需关注患者剩余寿命以及影响其健康的合并症。本文研究了 65 岁及以上的美国退伍军人中 2 型糖尿病老年患者的 68 个潜在死亡预测因素的结构化数据集，通过组合两个原始目标变量构建了一个新的目标变量，采用多项式逻辑回归与 LASSO 的基准回归模型，在特征选择中采用了卡方检验和信息增益技术，并使用多种分类器构建了不同的模型，然而结果表明所有模型均未达到预期效果，主要原因是原始数据经过编码后的高维度使模型产生了混淆，导致误分类。尽管该研究未产生高性能的预测模型，但视角上的创新为这一问题从多分类的角度进行研究奠定了基础。
发现论文，激发创造
  • 印度加尔各答地区 2 型糖尿病风险因素的性别比较研究：一种机器学习方法

    在印度加尔各答的 Belle Vue 诊所从门诊咨询部观察样本，通过 Logistic 回归、随机森林和支持向量分类器等不同机器学习模型，研究了年龄、生活方式、BMI 和腰围身高比对男性和女性患第 2 型糖尿病风险的差异影响，并发现了性别因素在第 2 型糖尿病的风险因素中的差异，为更有针对性的医疗干预和公共卫生策略提供了宝贵的见解。

    Oct, 2023

  • 分类方法与早期糖尿病的比较分析

    采用分类方法进行了比较分析，预测是否有早期糖尿病，研究结果显示对疾病的分类方法存在一定的偏好，同时发现两种应用的分类方法存在显著差异，为后续的最终结论提供了有价值的信息。

    Jul, 2023

  • 朝向临床预测的透明性：可解释性人工智能方法在养老院生存模型中的应用

    采用机器学习，为老年护理提供了生存模型，增强了模型可解释性及临床效用。

    Dec, 2023

  • 乳腺癌风险因素分析和生存预测的监督式机器学习

    利用机器学习方法，比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明，这些分类器可以准确预测样品的生存率，分别为 75.4％，74.7％，71.5％，75.5％，70.3％和 78％

    Apr, 2023

  • 机器学习技术在预测糖尿病方面的表现分析

    该研究主要使用机器学习技术，从糖尿病患者的诊断医疗数据中提取知识，探索与疾病相关的各种风险因素，并使用四种流行的机器学习算法来预测糖尿病患者，结果表明 C4.5 决策树比其他机器学习技术具有更高的准确性。

    Jan, 2019

  • 机器学习预测急性心肌梗死后的长期死亡率：基于收集的收缩时间间隔和临床数据

    该研究调查了树模型在长期死亡预测上的表现，并研究了两种近期引入的生物标志物对长期死亡的影响。研究采用来自中国台湾卫生福利部的 CCHIA 公开数据，以及从 139 例急性心肌梗死患者收集的医学和人口统计学数据，使用先进的集成树模型算法预测了 14 年内的全因死亡率，并发现添加生物标志物后算法的性能有所提高，可更好地为高风险个体确定治疗优先级。

    Mar, 2024

  • LSTM 神经网络与传统机器学习模型在预测糖尿病患者再入院方面的比较分析

    该研究使用了 Diabetes 130-US Hospitals 数据集，利用各种传统机器学习模型（如 XGBoost、LightGBM、CatBoost、决策树和随机森林）进行分析和预测了糖尿病患者的再入院情况，并通过自主开发的 LSTM 神经网络进行对比。研究结果显示，LightGBM 是最佳的传统模型，而 XGBoost 位居第二，LSTM 模型在训练准确性较高的情况下存在过拟合问题。研究还使用了 SHAP 值提高了模型的解释性，并指出了实验结果中影响再入院预测的重要因素，如实验室过程数量和出院安排。该研究表明，在预测性医疗模型中，模型选择、验证和解释性是关键步骤，有助于医疗服务提供者设计干预措施，提高糖尿病患者的随访遵从性和管理效果。

    Jun, 2024

  • 基于机器学习融合方法的二元和多分类心血管疾病严重性预测

    本研究使用机器学习技术构造了三个融合模型，在心脏病数据集上进行训练和预测，其中包括人工神经网络、支持向量机、逻辑回归、决策树、随机森林和 AdaBoost 等六种算法，以预测心血管疾病的出现和严重程度，实验结果表明，这三个融合模型具有良好的分类性能，多类分类的最高准确率为 75%，二类分类的最高准确率为 95%。

    Mar, 2022

  • 使用生存机器学习和统计方法预测痴呆风险：以英国衰老长期研究队列为例的结果

    研究使用机器学习中的生存分析方法，基于英国长寿研究队列 ELSA 数据，构建了两种基于随机森林和弹性网络算法的生存机器学习模型，并证明了这些模型相较于传统的 Cox 比例风险模型具有更优越的预测性能和稳定性。

    Jun, 2023

  • 利用机器学习技术在阿根廷对糖尿病风险人群的首次识别体验

    利用机器学习模型为阿根廷地区特定生成 T2D 和 PD 风险人群预测模型的发展和评估，证明了 RF、DT 和 ANN 方法在分类能力方面表现出色，为阿根廷地区的更复杂模型开发迈出了第一步。

    Mar, 2024