Page 155 - 计算机应用软件开发技术研究

第四章 大数据与机器学习

间，Yousefi 等提出了一种基于 A-gent 仿真、机器学习和遗传算法相结合的急
诊资源优化配置方法。该研究构建了 8 种不同的算法集成，其中 AdaBoost 集成
前馈神经网络（feed forward neural network，FFNN）、自适应神经模糊推理系
统（adap-tiveneuro-fuzzyreasoningsystem，ANFIS）和递归神经网络（recurrent

neural network，RNN）性能最好，急诊平均停留时间减少 14%。韩国学者 Yu 等
以 86304 例急诊患者为研究对象，开发了基于机器学习的急诊分诊模型，其韩
国分诊敏感度量表（Korea tri-age and acuity scale，KTAS）和相关器官衰竭评估

（sequentialrelated organ failure assessment，SOFA）指标可准确地预测患者临床
结局。Rojas 等以电子病历系统中提取患者护理级别、护理评估、住院号、药
物、ICU 干预、诊断测试、生命体征和实验室结果作为增强机器学习模型中的预
测变量，构建并验证了 ICU 再入院的风险预测模型；结果显示，机器学习衍生

模型（AUC=0.76）的性能明显优于工作量指数得分（AUC=0.65）或修正的早期
预警得分（AUC=0.58）；该预测模型的构建为管理者提供早期预警及临床护理
决策。
5.中医护理

机器学习技术在中医护理中，被用于中医体质和证候方面的预测，可为患者
提供精准个性化医疗护理服务，为中医的革新发展起到积极推动作用。由 Zhang
等提出的一种基于边缘云计算系统的统一智能中医药框架，以实现计算机辅助辩
证和处方推荐为目标，建立证候识别的多模态深度计算模型，从而为患者提供个

性化的服务。李迪瑶基于辨证施护理论使用支持向量机、全连接网络和自编码器
结合全连接网络 3 种算法构建辅助辩证工具；结果显示，全连接网络表现最佳，
其中表里、寒热以及虚实这 3 种证候准确率分别为 95.86%、97.58% 和 96.55%。
Tang 等指出，“中医体质与生理指标相结合可对代谢综合征进行早期预警，并

以平衡体质、总胆红素、低密度脂蛋白、胆固醇、总胆红素水平 5 个指标构建梯
度增压模型；该模型的总体准确率为 73.23%。”
6.心理护理
机器学习在心理护理中，被用于建立焦虑、抑郁、妄想等精神卫生健康问题

的风险预测模型，为患者选择最佳的心理干预措施提供依据。Kim 等开发了一种
有监督的机器学习算法，利用来自情绪低落的老人的生态瞬时评估技术——种可
检测人在真实世界中随时间推移和在不同情况下实时体验和情绪的传感器，预测

·143·