Page 154 - 计算机应用软件开发技术研究
P. 154
计算机应用软件开发技术研究
Research on Computer Application Software Development Technology
集的生理数据进行了模式识别和分析，采用机器学习和数字信号图像处理的方法
来评估身体活动中特定的生物医学信号，为制定运动康复计划提供依据。
（三）慢病管理
机器学习在慢病管理中，被用于建立疾病预后的预测模型，以减少慢性病急
性发作，降低患者再入院率，有效改善患者生活质量。
1.慢性阻塞性肺病
Mcheick 等应用贝叶斯网络学习模型来预测慢性阻塞性肺病患者病情恶化的
发生，该模型准确率为 81.5%。Gawlitza 等使用均值预测、中位数预测、K 近邻
（knearestneigh-bor，KNN）、梯度增强和多层感知机这 5 种模型，根据定量计
算机断层扫描（CT）值预测肺功能参数。以呼吸状态（吸气、呼气、增量）和
参数容积、最小管腔直径（minimum lumen diameter，MLD）、左房容积（left
atrial volume，LAV）和半值宽度（full widthat half maximum，FWHM）作为每个
模型的输入，并以平均相对误差评估模型预测效果。结果显示，KNN 模型的表
现最佳。该模型可在合理的误差范围内根据静态定量 CT 参数预测肺功能值。
2.糖尿病
基于机器学习的临床决策支持工具，学者对糖尿病前期、糖尿病患者住院
风险以及Ⅱ型糖尿病患者胰岛素治疗后的短期和长期糖化血红蛋白的反应进行预
测。De 等通过符合美国糖尿病协会指南对糖尿病前期进行定义的 6346 名患者，
利用 4 种重采样方法和 4 种机器学习算法对糖尿病前期进行预测。该研究建立的
4 种模型均优于糖尿病前期的其他筛查工具（P＜0.05），可提高糖尿病前期预测
的准确性。Nagaraj 等使用基础糖化血红蛋白和估计肾小球滤过率的弹性网络正
则化广义线性模型预测胰岛素治疗后糖化血红蛋白的反应，其预测性能良好。较
为常见的深度学习算法——卷积神经网络（convolutio nalneural network，CNN）
已被用于糖尿病视网膜病变的自动化诊断。Lociganic 等运用此算法在小样本数
据集上进行训练，用于检测和区分细微的眼部病变，并生成出血、微动脉瘤、渗
出物、新生血管和视网膜正常外观的病变特异性概率图，该视网膜自动筛查的灵
敏度和特异度分别为 92.3% 和 93.7%。
4.护理管理
机器学习算法对医院人力资源、工作质量方面予以预测，以达精准管控，
促进医院高质量发展。急诊科承担着较大的门诊压力。为缩短患者平均停留时
·142·
