针对中风患者的基于子集群的推系统:确定特定患者的特定药物类别
Ribot Fleury T Ceskoutsé1, Alain Bertrand Bomgni2, David R Gnimpieba Zanfack3
1Ecole Nationale Supérieure Polytechnique, University of Yaounde I, P.O. Box. 8390, Yaoundé, Cameroon.
Computers in biology and medicine
|February 9, 2024
概括
这项研究引入了CRGANNC,这是一种机器学习模型,可以使用患者的症状准确检测中风药物. 它改善了医疗保健专业人员的及时药物检测,提高了中风患者的护理.
科学领域:
- 计算医学是一种计算医学.
- 医疗保健中的人工智能
- 医疗信息学医学信息学
背景情况:
- 脑卒中是全球主要的死亡原因,需要改善患者管理.
- 现有的用于中风检测的机器学习模型在及时识别药物方面存在困难.
- 准确和快速的药物检测对于有效的中风患者护理和治疗决策至关重要.
研究的目的:
- 开发基于内容的推模型,以便在中风患者中及时检测药物.
- 增强医疗保健专业人员根据患者症状识别适当药物的能力.
- 解决当前基于内容的推系统中的稀疏性和可扩展性问题.
主要方法:
- 开发了CRGANNC (集群推高斯亲和近邻分类器) 模型.
- 使用高斯混合模型 (GMM),亲和传播 (AP) 和K-最近邻居 (KNN) 算法.
- 创建了一个带有中风特异性症状 (虚弱,头,头痛,恶心,吐) 的半人工数据集.
主要成果:
- 该CRGANNC模型实现了高性能:0.98精度,0.95回忆,和0.96F1分数在三个药物类别 (抗高血压,抗凝固剂,纤维酸).
- 与现有模型相比,处理时间减少了25.80%,这表明计算效率有所提高.
- 成功诊断健康,生病和有风险的患者,推适当的药物.
结论:
- CRGANNC模型为中风患者准确及时检测药物提供了有效的解决方案.
- 开发的半人工数据集为中风研究提供了宝贵的资源,特别是当真实数据有限时.
- 这项工作为在其他敏感医疗领域创建类似数据集和模型的框架,推进研究和患者护理.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
09:52Setting Up a Stroke Team Algorithm and Conducting Simulation-based Training in the Emergency Department - A Practical Guide
Published on: January 15, 2017
17.2K
