-
题名基于机器学习算法的子痫前期预测模型构建
被引量：5
- 1
-
-
作者
郑江元
祝锐
颜永杰
周洋
罗亚玲
-
机构
重庆医科大学医学信息学院
重庆医科大学医学数据研究院
-
出处
《解放军医学杂志》
CAS
CSCD
北大核心
2022年第8期802-808,共7页
-
基金
国家社会科学基金(15BGL191)。
-
文摘
目的筛选子痫前期的危险因素并构建基于机器学习算法的子痫前期预测模型。方法收集重庆医科大学医学数据研究院大数据平台中2016年1月-2018年12月1609例住院孕妇的临床数据进行回顾性分析。依据住院期间是否发生子痫前期分为子痫前期组(n=291)与非子痫前期组(n=1318)。随机抽取70%患者的临床资料作为训练集(n=1126)构建预测模型,其余30%作为测试集(n=483)进行验证,并对测试集和训练集进行一致性检验。采用单因素分析及logistic回归分析筛选独立危险因素,利用5折交叉验证算法寻找LightGBM算法的最优参数,并基于LightGBM机器学习算法构建预测模型。结果共收集了58项指标,排除缺失率≥30%的13项指标,最终共纳入45项指标。子痫前期组与非子痫前期组的谷氨酰转移酶、谷丙转氨酶、凝血酶时间、谷草转氨酶、尿比重等35项指标差异有统计学意义(P<0.05)。Logistic回归分析结果显示,尿比重、尿酸、平均红细胞血红蛋白浓度、球蛋白、血小板分布宽度、钾离子、就诊年龄、高血压家族史、收缩压、舒张压、脉搏和孕周≥34周是子痫前期的独立危险因素。经5折交叉验证,当num_leaves=5、max_depth=3、min_data_in_leaf=91、feature_fraction=0.8、bagging_fraction=0.6,bagging_freq=5时,LightGBM模型的效果达到最优,模型的曲线下面积(AUC)为0.964,敏感度为84.9%,特异度为92.7%。结论基于LightGBM机器学习算法构建的子痫前期预测模型具有较好的预测效能,能够有效预测重庆地区孕妇子痫前期的发生,为临床医师提供决策参考。
-
关键词
子痫前期
机器学习
预测模型
-
Keywords
preeclampsia
machine learning
prediction model
-
分类号
R714.244
[医药卫生—妇产科学]
-
-
题名人工智能技术在电子病历中的应用
- 2
-
-
作者
郑江元
金雯
周文君
李盈
-
机构
浙江大学医学院附属第一医院
-
出处
《现代医院》
2024年第10期1595-1598,共4页
-
文摘
人工智能技术涉及了信息学、生物学、逻辑学等多学科的广泛交叉,近年来在医疗领域中的应用受到了广泛关注。电子病历包含了大量的医疗数据,具有潜在的不可估量的医学价值,通过人工智能技术挖掘其潜在的价值,能够辅助临床医生进行决策,提高诊疗效率和服务质量,对医疗卫生领域的发展有重大意义。由此,本文介绍了人工智能技术在电子病历数据挖掘及病历内涵质控中的应用实践。同时也探讨了目前存在的局限性和挑战,并对未来的发展进行了展望。
-
关键词
人工智能
数据挖掘
病历质控
-
Keywords
Artificial intelligence
Data mining
Medical record quality control
-
分类号
R197.324
[医药卫生—卫生事业管理]
-
