机构名称：
¥ 1.0
在医疗保健中，在对患者的药用病史进行了彻底的身体评估和分析以及对适当的诊断测试和程序的利用后进行诊断。由于慢性肾脏疾病（CKD）的并发症，全球170万人每年都会丧生。尽管有其他诊断方法的可用性，但由于其卓越的准确性，此研究依赖于机器学习。患有慢性肾脏疾病（CKD）的患者患有健康并发症，例如高血压，贫血，矿物质骨疾病，营养不良，酸异常和神经系统并发症，可能会受益于及时且准确地识别疾病水平，以便尽可能尽可能地接受最有效的药物治疗。已经研究了有关CKD使用机器学习（ML）策略的早期认可的几项作品。舞台预期的准确性并不是他们的主要关注点。在本研究中，二进制和多类分类方法已用于阶段预期。随机福雷（RF），支持 - 矢量机（SVM）和决策树（DT）是所采用的预测模型。特征选择是通过使用交叉验证（CV）的变异和递归特征消除的审查进行的。10-FLOD CV用于评估模型。实验表明，使用CV的递归特征去除的RF优于SVM和DT。
使用机器学习的慢性肾脏疾病风险预测
主要关键词
相关文件推荐
