通过改进的机器学习模型,提高2019年新冠肺炎患者的深静脉血栓症预测能力
Lufang Zhang1, Renyue Yu2, Keya Chen1
1The First Clinical College, Wenzhou Medical University, Wenzhou, 325000, China.
一个名为bSES-AC-RUN-FKNN的新模型准确地预测了COVID-19患者的深静脉血栓形成 (DVT). 这种工具有助于控制血栓形成风险并改善患者的治疗结果.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 医疗信息学 医疗信息学
背景情况:
- 深静脉血栓 (DVT) 是COVID-19患者常见的并发症,与凝血异常有关.
- 严重的DVT显著增加住院风险,并发症,并对患者的预后产生负面影响.
- 有效的预后和及时的干预对于管理DVT进展和改善患者结果至关重要.
研究的目的:
- 引入一个先进的预测模型,bSES-AC-RUN-FKNN,用于识别COVID-19患者的深静脉血栓 (DVT).
- 通过集成球体进化搜索 (SES) 和自适应交叉 (AC) 来增强Runge-Kutta优化器 (RUN) 的优化能力.
- 在临床环境中提高DVT预测的准确性和效率.
主要方法:
- 这项研究将模糊的k-最近邻居 (FKNN) 与增强的Runge-Kutta优化器 (RUN) 集成,结合SES和AC创建bSES-AC-RUN-FKNN模型.
- 增强的优化器SES-AC-RUN与CEC 2017标准进行了基准测试,并显示出与传统RUN相比的卓越性能.
- 该bSES-AC-RUN-FKNN模型应用于424名DVT患者的数据集,包括7208个记录.
主要成果:
- 在搜索性能方面,SES-AC-RUN优化器显示了显著的改进,与领先的算法相美.
- 该bSES-AC-RUN-FKNN模型实现了91.02%的高预测准确度.
- 该模型表现出极好的灵敏度,在DVT预测中达到91.07%.
结论:
- bSES-AC-RUN-FKNN模型是预测COVID-19患者DVT的高度准确和高效的工具.
- 这种预测模型可以帮助管理COVID-19患者中的血栓形成风险.
- 临床判断与模型预测相结合,可以为受影响的患者提供全面的治疗策略.
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
06:45Point-Of-Care Ultrasound Screening for Proximal Lower Extremity Deep Venous Thrombosis
Published on: February 10, 2023
相关概念视频
Venous Thrombosis I: Introduction
Venous Thrombosis II: Clinical Manifestations and Diagnostic Studies
Venous Thrombosis III: Interprofessional Care
Venous Thrombosis IV: Nursing Management
Pulmonary Embolism II: Diagnostic Studies and Interprofessional Care
