案例1：新冠病毒感染臨床診斷
時間：2022-02-24 18:40:01 | 來源：網(wǎng)絡推廣
時間：2022-02-24 18:40:01 來源：網(wǎng)絡推廣
在疫情爆發(fā)期間，新型冠狀病毒主要是以核酸檢測陽性為診斷標準。但是，核酸檢測效率低，并且不能保證100%準確。
通過醫(yī)生臨床診斷也能識別出新冠病毒感染者，但需要醫(yī)生具備豐富的臨床診斷經(jīng)驗。
那么，如何在短期內(nèi)讓一般的醫(yī)生也具有豐富的經(jīng)驗，將對疫情的快速防控起到重要作用。
這個時候，思邁特軟件基于Smartbi Mining開發(fā)的新冠病毒感染臨床診斷系統(tǒng)就派上用場了。
系統(tǒng)利用人工智能機器學習算法，學習訓練資深醫(yī)生的臨床診斷經(jīng)驗，訓練完成具有高準確率的新冠病毒感染識別模型，輔助醫(yī)生快速進行臨床診斷。
在發(fā)生類似的緊急公共衛(wèi)生事件時，能夠為快速診斷、快速隔離、快速治療病患贏得時間，降低病毒傳播速度及病患的死亡率。
系統(tǒng)能夠快速地訓練完成新冠病毒感染診斷識別模型，具備對數(shù)據(jù)接入、數(shù)據(jù)處理、模型訓練、模型評估、模型部署等整個過程的成熟支撐。
系統(tǒng)依靠的數(shù)據(jù)包括流行病學史調(diào)查數(shù)據(jù)、病人臨床表現(xiàn)數(shù)據(jù)以及一些實驗室檢查數(shù)據(jù)，并直接使用這些特征作為訓練模型的特征數(shù)據(jù)。
將加載的特征數(shù)據(jù)按照7:3的比例拆分，70%作為訓練模型數(shù)據(jù)，30%作為測試驗證模型數(shù)據(jù)，選擇分類模型中的邏輯回歸算法、梯度提升決策樹，進行診斷模型訓練。
使用拆分的30%的數(shù)據(jù)進行模型驗證，驗證訓練后的診斷模型對新數(shù)據(jù)的預測能力。
在線咨詢