肺炎已经成为当今社会威胁人类健康不可忽视的一个疾病,特别是卒中相关性肺炎容易与其他疾病混淆。传统的卒中相关性肺炎诊断方式通过统计方法构建预测模型,如Cox比例风险模型、逻辑回归模型等,此方法纳入影响发病特征过多、预测时间较长。随着人工智能技术的发展,机器学习方法对数据已经有较好的预测性能。在卒中相关性肺炎诊断背景下,本文利用机器学习技术对以往大量卒中相关性肺炎病例进行分析,针对患者是否患病构建预测模型,快速准确地预测卒中相关性肺炎,对提高患者的治愈率和降低治疗费用具有重要意义。在此背景下,本文确定卒中相关性肺炎预测特征体系,结合机器学习算法,构建了卒中相关性肺炎预测模型,实现对卒中相关性肺炎的预测,设计并实现卒中相关性肺炎预测系统原型,主要进行以下研究工作:1)卒中肺炎数据处理与降维:首先针对原始数据进行数据处理,其次针对其发病机理不清楚、检验指标不明确、原始数据维数高等问题,本文开展两方面降低维数的基础工作:一是主成分分析方法对原始特征数据进行降维处理;二是采用统计方法筛选出原始特征数据中的高相关性特征数据。2)卒中相关性肺炎预测模型研究:本文选取在临床医学领域应用比较有效的预测模型进行建模分析,包括朴素贝叶斯、K-邻近、神经网络、决策树和高斯贝叶斯模型,分别利用传统降维数据和高相关特征数据结合机器学习模型进行实验比较,实验表明采用高相关特征数据结合机器学习建立的模型预测精度更高,其中高斯贝叶斯模型对卒中相关性肺炎数据预测时间最稳定,并且精度最高。3)设计并实现卒中相关性肺炎系统原型:对卒中相关性肺炎预测系统进行功能、非功能需求分析和设计;实现卒中相关性肺炎预测等主要功能的开发;实现卒中相关性肺炎预测模型在卒中相关性肺炎预测系统中应用以及可视化。本文基于临床真实数据建立的机器学习的预测模型进行研究,建立了有效实用的预测模型,对卒中相关性肺炎临床治疗有积极的意义。