【技术实现步骤摘要】
本专利技术涉及医学领域预测模型，具体而言，涉及一种基于心血管病患者下次入院的时间序列预测回归模型。
技术介绍
1、随着人口老龄化加剧和慢性疾病负担加重，心血管疾病的发病率和再入院率持续上升。据世界卫生组织(who)统计，心血管疾病是全球范围内导致死亡的首要原因。因此，如何通过数据分析手段对患者的住院风险进行有效预测，已成为临床医学与人工智能交叉研究的重要方向。
2、近年来，随着电子健康记录(ehr)系统的普及和机器学习技术的发展，越来越多的研究尝试利用历史数据对患者的再入院风险进行建模。典型方法包括：
3、传统统计模型：如逻辑回归、cox比例风险模型，广泛用于二分类再入院预测(即是否在30天内再次入院)。这些方法虽然易于解释，但难以捕捉复杂的非线性关系，且无法预测具体的再入院时间。
4、机器学习分类模型：如随机森林、支持向量机(svm)、xgboost，被用于提升再入院预测的准确性。然而，大多数研究仍以“是否再入院”作为目标变量，忽略了再入院时间的连续性特征，限制了其在个性化医疗管理中的应用。
...【技术保护点】
1.一种基于心血管病患者下次入院的时间序列预测回归模型，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于心血管病患者下次入院的时间序列预测回归模型，其特征在于，所述同日入院分类任务中，超参数调优包括对随机森林模型的树数、最大深度超参数进行五折交叉验证调优。
3.根据权利要求1所述的基于心血管病患者下次入院的时间序列预测回归模型，其特征在于，所述特征选择中，使用AUC、准确率和召回率评估随机森林模型在同日入院分类任务中的性能。
4.根据权利要求1所述的基于心血管病患者下次入院的时间序列预测回归模型，其特征在于，所述岭回归模型为...
【技术特征摘要】
1.一种基于心血管病患者下次入院的时间序列预测回归模型，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于心血管病患者下次入院的时间序列预测回归模型，其特征在于，所述同日入院分类任务中，超参数调优包括对随机森林模型的树数、最大深度超参数进行五折交叉验证调优。
3.根据权利要求1所述的基于心血管病患者下次入院的时间序列预测回归模型，其特征在于，所述特征选择中，使用auc、准确率和召回率评估随机森林模型在同日入院分类任务中的性能。
4.根据权利要求1所述的基于心血管病患者下次入院的时间序列预测回归模型，其特征在于，所述岭回归模型为scikit-learn v1.2.2中的应用l2正则化的标准线性模型。
5.根据权利要求1所述的基于心血管病患者下次入院的时间序列预测回归模型，其特征在于，所述支持向量回归模型使用rbf核，参数设置为c＝1.0、epsilon＝0.1、gamma＝'scale'。
6.根据权利要求1所述的基于心血管病患者下次入院的时间序列预测回归模型，其特征在于，所述随机森林回归模型由100棵决策树组成，max_depth＝none，random_state＝42。
7.根据权利要求1所述的基于心血管病患者下...
【专利技术属性】
技术研发人员：李滟泽，付成博，尹勇，
申请(专利权)人：山东第一医科大学附属肿瘤医院山东省肿瘤防治研究院，山东省肿瘤医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。