典型文献
基于机器学习的糖尿病并发症预测模型研究进展
文献摘要：
针对2型糖尿病(T2DM)并发症的诊断预测问题,传统检测方法主要通过血液和尿液检查来预测,这些方法既耗时又不能进行早期预测.目前,由于糖尿病发病率升高以及医疗数据的大幅增加,机器学习算法迅速发展为检测及诊断糖尿病的有效方法.用机器学习算法分析临床指标,探究2型糖尿病并发症的影响因素,构建并发症预测模型,可以很好地实现糖尿病并发症预防.通过介绍近年来预测及诊断糖尿病并发症的机器学习算法,对贝叶斯网络、随机森林、支持向量机以及反向传播(BP)神经网络4种机器学习优化算法分别进行概括讨论,以期提高对糖尿病及其预测模型的理解并降低疾病风险.
文献关键词：
2型糖尿病(T2DM);机器学习;随机森林;反向传播(BP)神经网络;神经网络
中图分类号：
作者姓名：
韦哲;于金玉;曹彤;王能才;冯宝义
作者机构：
兰州理工大学电气工程与信息工程学院 甘肃 兰州 730050;解放军联勤保障部队第九四〇医院信息科 甘肃 兰州 730050
文献出处：
引用格式：
[1]韦哲;于金玉;曹彤;王能才;冯宝义-.基于机器学习的糖尿病并发症预测模型研究进展)[J].中国医学装备,2022(02):14-17
A类：
B类：
基于机器学习,糖尿病并发症,T2DM,诊断预测,尿液,早期预测,糖尿病发病,医疗数据,机器学习算法,算法分析,临床指标,并发症预防,贝叶斯网络,反向传播,学习优化,疾病风险
AB值：
0.240328
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
