机构名称：
¥ 1.0
目标：使用监督的机器学习来对心血管自主神经疗法（CAN）的严重程度进行分类。目的是1）研究哪些特征有助于表征可以表征2）结合一组结合的特征集，可以最好地描述CAN分类的变化。方法：从人口统计学，节拍到贝特，生化和浮游的八十二个特征是从204名糖尿病患者中获得的，并用于三个机器学习式式烟草中，这些是：Sup-Port Port Vector矢量机器，决策树，决策树和随机森林。使用每个分类器的特征的加权平均值来完成所有数据。结果：从域中得出的10个最重要的特征：beat to-beat，intromation标记，疾病 - 持续性和年龄。结论：与CAN相关的Beat to-Beat措施主要基于心脏反应反应，疾病 - 持续性和年龄也与整个疾病疾病的开发有关。炎症标记物可能反映了潜在的疾病过程，因此，应可能测试针对全身性低级炎症的新治疗方式，以防止罐头发展。明显的能力：应密切监视心脏RE -EX反应，以准确地诊断和分类严重程度。标准的临床生化分析物（例如血糖水平，脂质水平或肾功能）不包括在十个最重要的特征中。beat-to-beat措施约占结合数据中功能的60％。2023国际临床神经生理联合会。由Elsevier B.V.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
使用结合分类的糖尿病中心脏自主神经病的特征
主要关键词
相关文件推荐
