基于机器学习方法的慢性阻塞性肺疾病分期预测

• 作者: 周毅 李丞 李琳 王凯 王哲
• 来源期刊: 中国数字医学
• 学科: 医学
• 关键词: 慢性阻塞性肺疾病 k-最近相邻法 SVM 准确度
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 特别专题-人工智能在医学领域的研究与应用
• 页码范围: 38-40
• 页数: 3页
• 分类号: R319
• 字数: 2880字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-7571.2019.03.010

摘要

目的:采用基于机器学习的分类判断算法,建立慢性阻塞性肺疾病(以下简称“慢阻肺”)分期模型,提高慢阻肺诊断和分期的准确度.方法:选择确诊慢阻肺住院患者2 504例,以国际GOLD分期为依据,收集与慢阻肺分期密切相关的临床特征参数指标,对参数进行筛选,参照医院的临床确诊结果,采用机器学习方法(k-最近相邻法、SVM)训练并测试慢阻肺的分期模型.结果与结论:数据为不平衡数据,虽采用分层比例抽样,但针对此类数据SVM的准确率更高为85.26％.说明机器学习提供的模型能为慢阻肺分期提供较准确的分类依据.