-
公开(公告)号：CN108846503B
公开(公告)日：2022-07-08
申请号：CN201810471661.0
申请日：2018-05-17
Applicant: 电子科技大学 , 四川省卫生和计划生育信息中心
Abstract: 本发明公开了一种基于神经网络的呼吸系统疾病患病人次动态预测方法。该方法通过从病案中提取呼吸系统疾病门急诊和住院患者人次分布，综合区域空气污染物浓度、区域气象数据、节假日、星期几效应和区域社会经济水平等信息。该方法是利用一种基于LSTM神经网络模型来实现的，该方法包括如下几个步骤：步骤一：多源数据整合；步骤二：数据预处理；步骤三：构建LSTM神经网络模型；步骤四：模型验证与调优；步骤五：增量学习与动态预测。通过以较高的精确度动态预测区域范围内呼吸系统疾病患病人次，为解决区域医疗卫生资源优化配置和研究空气污染对疾病负担的影响等问题提供科学依据。
-
公开(公告)号：CN108846503A
公开(公告)日：2018-11-20
申请号：CN201810471661.0
申请日：2018-05-17
Applicant: 电子科技大学 , 四川省卫生和计划生育信息中心
Abstract: 本发明公开了一种基于神经网络的呼吸系统疾病患病人次动态预测方法。该方法通过从病案中提取呼吸系统疾病门急诊和住院患者人次分布，综合区域空气污染物浓度、区域气象数据、节假日、星期几效应和区域社会经济水平等信息。该方法是利用一种基于LSTM神经网络模型来实现的，该方法包括如下几个步骤：步骤一：多源数据整合；步骤二：数据预处理；步骤三：构建LSTM神经网络模型；步骤四：模型验证与调优；步骤五：增量学习与动态预测。通过以较高的精确度动态预测区域范围内呼吸系统疾病患病人次，为解决区域医疗卫生资源优化配置和研究空气污染对疾病负担的影响等问题提供科学依据。
-
公开(公告)号：CN110010248B
公开(公告)日：2023-01-10
申请号：CN201910306367.9
申请日：2019-04-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于代价敏感集成学习模型的再入院风险预测方法；具体步骤包括：1)、获取医疗和外部环境数据信息，构建多源高维特征矩阵；2)、基于自动编码器的高维特征矩阵非线性压缩表示；3)、构建以代价敏感支持向量机为弱学习器的集成学习模型；4)、预测集经过步骤1、步骤2特征处理，输入训练模型，得到再入院风险预测结果。本发明针对患者人口学信息、既往住院史、家族史以及外部环境特征，构建多源高维特征矩阵，提取更多有助于全面反映患者健康状况的特征信息；基于自动编码器的高维特征矩阵非线性压缩表示，实现对稀疏特征的降维；针对样本不均衡问题，构建以代价敏感支持向量机为弱学习器的集成学习模型，提高再入院风险识别精度。
-
公开(公告)号：CN110010248A
公开(公告)日：2019-07-12
申请号：CN201910306367.9
申请日：2019-04-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于代价敏感集成学习模型的再入院风险预测方法；具体步骤包括：1)、获取医疗和外部环境数据信息，构建多源高维特征矩阵；2)、基于自动编码器的高维特征矩阵非线性压缩表示；3)、构建以代价敏感支持向量机为弱学习器的集成学习模型；4)、预测集经过步骤1、步骤2特征处理，输入训练模型，得到再入院风险预测结果。本发明针对患者人口学信息、既往住院史、家族史以及外部环境特征，构建多源高维特征矩阵，提取更多有助于全面反映患者健康状况的特征信息；基于自动编码器的高维特征矩阵非线性压缩表示，实现对稀疏特征的降维；针对样本不均衡问题，构建以代价敏感支持向量机为弱学习器的集成学习模型，提高再入院风险识别精度。
-
-
-
Search Results
4
records
(took 0.037 seconds)
