论文部分内容阅读
目的：及时有效地预测主要心脏不良事件,在临床决策中起到了至关重要的作用.随着电子病历数量的日益增长,传统队列研究方法预测效率无法满足需求,针对这一问题,提出了一种深度学习迭代增强的预测方法.
方法：将重采样策略集成在增强框架里,借助神经网络方法进行分类预测.
结果：实验验证了所提方法在含有500个冠心病患者样本和26种特征类型的临床数据集上的有效性,与标准SVM、随机森林、Naive Bayes和用于MACE预测的常规GRACE、TIMI风险评分系统相比,所提出的方法取得了较高的预测值.
结论：提出的方法在预测结果上有了明显的提高,为临床工作中冠心病患者风险状态评估提供了方法指导和技术支持,对于辅助临床决策具有重要的科学意义.