于二零一九年一月十五日发出之医疗器械注册证（二零一九年）100178利用数据挖掘算法胡赛尼Radya，Ayman S. Anwarb，a埃及吉萨开罗大学统计研究所b埃及开罗马格拉比医院中心A R T I C L EI N F O保留字：肾脏疾病分期数据挖掘技术概率神经网络多层感知器支持向量机径向基函数A B S T R A C T早期检测和表征被认为是慢性肾脏疾病管理和控制的关键因素。在此，使用有效的数据挖掘技术显示，揭示和提取隐藏的信息，从临床和实验室的患者数据，这可以是有助于帮助医生在最大限度地提高准确性，以识别疾病的严重程度阶段。应用概率神经网络（PNN），多层感知器（MLP），支持向量机（SVM）和径向基函数（RBF）算法的结果进行了比较，我们的研究结果表明，PNN算法提供了更好的分类和预测性能，以确定在慢性肾脏疾病的严重程度阶段。1. 介绍慢性肾脏病（CKD）是一个全球性的健康问题，它正在稳步增长它是一种慢性疾病，与发病率和死亡率增加、包括心血管疾病在内的许多其他疾病的高风险以及高医疗保健费用相关。全世界有超过200万人接受透析或肾移植治疗以维持生命，但这一数字可能仅占需要治疗的人的10%[9]。接受肾衰竭治疗的200万人中的大多数仅在五个相对富裕的国家，占全球人口的12%。相比之下，在大约100个发展中国家，只有20%的世界人口得到治疗，而这些国家几乎占全球人口的一半。由于透析或肾移植治疗的巨大经济负担，每年有112个低收入国家的100多万人死于未经治疗的肾衰竭[9]。因此，对该病的早期发现、控制和管理具有重要意义。由于CKD在早期阶段的动态性和隐蔽性以及患者的异质性，有必要以合理的准确度预测CKD的进展。CKD通常按严重程度分期描述。临床决策受阶段、患者是否进展以及进展速度的此外，确定疾病阶段是非常关键的，因为它给出了支持所需干预和治疗的决定因此，数据挖掘可以在从医生经常从患者收集的大型患者医疗和临床数据集中提取隐藏数据方面发挥重要作用，以获得有关诊断信息的见解，并实施精确的治疗计划。数据挖掘可以定义为从大型数据集中提取隐藏数据的过程。数据挖掘技术在各种背景和领域中得到了广泛的应用。利用数据挖掘技术，我们可以对数据进行预测、分类、过滤和聚类。目标或预测属性是指包含一组属性和结果的训练集的算法处理。机器学习算法已被用于医疗保健领域的预测和分类。Yu等人[17]使用支持向量机算法对糖尿病和糖尿病前期患者进行分类和预测，结果表明SVM对常见疾病患者的分类是有用的。类似地，Magnin等人[19]通过使用支持向量机（SVM）分析一组患者的全脑解剖磁共振成像（MRI）对阿尔茨海默病进行分类，结果表明SVM是阿尔茨海默病早期检测的一种有前途Dessai等人[18]使用概率神经网络算法、决策树算法和朴素贝叶斯算法进行了心脏病预测，与其他心脏病预测算法相比，PRNN提供了最佳结果。Cao等人[20]使用多层感知器（MLP）算法对HBV诱导的肝硬化进行了预测，结果表明MLP分类器对肝脏疾病（主要是HBV相关肝硬化患者）给出了令人满意的预测输出。2. 材料方法在我们的研究中使用了数据挖掘，因为它是一个识别数据中新的、潜在有用的、有效的和最终可理解的模式的过程[4]。监督和无监督学习*通讯作者。电子邮件地址：ayman. gmail.com（A.S. Anwar）。https://doi.org/10.1016/j.imu.2019.100178接收日期：2018年12月9日;接收日期：2019年3月11日;接受日期：2019年4月1日2019年4月7日的一份声明2352-9148/©2019由ElsevierLtd.这是一个不可避免的问题，因为CCBY-NC-NDLicense（http：//creativecommons.org/licenses/BY-NC-ND/4。0/）。可在ScienceDirect上获得目录列表医学信息学杂志主页：www.elsevier.com/locate/imuE.- H.A.拉迪和A.S. 安瓦尔于二零一九年一月十五日发出之医疗器械注册证（二零一九2图二. 概率神经网络（PNN）层。Fig. 1. 方法工作流程。技术用于数据挖掘分类。“监督”学习技术需要基于先前的另一方面，“无监督”学习技术不受先验分析的指导，也不创建预分析假设。可以根据结果构建模型，并用于聚类[6]。本研究使用了三种不同类型的最常用的人工神经网络算法和支持向量机算法，以确定哪种算法将给出最佳分类结果，从而基于患者的临床和实验室数据来识别慢性肾脏疾病的阶段。(see 图第一章机器学习技术采用如下两个阶段来构建预测/分类模型：一个训练阶段，通过使用具有预期输出的训练数据集，在算法上学习如何构建模型。一个验证阶段，通过使用没有预期输出的验证数据集来2.1. 概率神经网络概率神经网络（PNN）是一种具有一次学习算法和高度并行结构的径向基函数神经网络。PNN是由Donald F.Specht在1990年提出了一个基于记忆的网络，提供分类变量的估计该算法提供了目标函数的平滑近似，即使是多维空间中的稀疏数据[16]。PNN的优点是快速学习和易于调整。PNN由四层组成：输入，模式（RBF核函数），求和和输出，如图2所示。模式层的每个神经元使用径向基函数作为激活函数。该函数通常被认为是高斯函数。2.2. 多层感知器算法多层感知器（MLP）是最重要的一类神经网络，由一个输入层，一个或多个隐藏层和输出层组成，如图所示。3.第三章。MLP已经成功地应用于解决困难和不同的问题，通过使用众所周知的算法以监督的方式训练它们，即，误差反向传播算法[3]。该算法基于误差图三. 多层感知器（MLP）层。修正学习规则因此，它可以被视为自适应滤波算法的推广。2.3. 支持向量机算法SVM是一种用于线性和非线性数据分类的方法[7]。SVM算法的工作原理如下。它使用非线性映射将唯一的训练数据更新到更高的维度。在这个新维度的包围下，它检查了如图4所示的线性最佳分离超平面，即，一个与合适的见图4。支持向量机（SVM）最优超平面。··E.- H.A.拉迪和A.S. 安瓦尔于二零一九年一月十五日发出之医疗器械注册证（二零一九3图五. 径向基函数（RBF）层。通过非线性映射到必要的高维度，来自两个类别的数据总是可以由超平面分离。SVM使用支持向量和边缘找到超平面[13]。尽管即使是最快的SVM的训练时间也可能非常慢，但它们是准确的，并且在模拟复杂的非线性决策边界的能力方面是典范。与其他方法相比，它们更不容易过拟合。支持向量机启动还提供了一个紧凑的描述学习模型。SVM可用于预测和分类。它们已被应用于多个领域，包括手写数字识别，对象识别和说话人识别，以及基准时间序列预测测试。2.4. 径向基函数算法径向基函数（RBF）是一种神经网络算法，它需要较少的网络训练计算时间[10]。它由三层组成：输入层，隐藏层和输出层，如图5所示。每层中的节点都完全连接到前一层[15]。输入层中的输入变量直接传递到隐藏层，而不带权重。隐藏节点的传递函数是RBF。在网络训练期间，与RBF相关联的参数被优化。这些参数值在整个网络中不一定相同，也不直接与实际训练向量相关或受其约束。当训练向量被假定为是准确的时，期望在它们之间执行平滑插值，然后可以找到在训练向量处没有误差的RBF的线性组合。在函数拟合中，径向基函数的拟合方法与距离加权回归密切相关。3. 慢性肾病CKD进展可被视为各种参数的函数，包括基础肾脏疾病、血压、高血压、蛋白尿和年龄。CKD的早期诊断需要医生的高度重视，特别是在确定适当的治疗方案表1应用药物治疗和控制反映疾病进展为终末期肾病（ESRD）的已确定风险因素（如高血压、蛋白尿和高磷血症）的时间。3.1. 阶段慢性肾病慢性肾病（CKD）的分期主要基于测量或估计的肾小球滤过率（eGFR）。有五个阶段，但肾功能在第1阶段是正常的，在第2阶段略有下降。肾脏疾病的KDOQI（肾脏疾病结局质量倡议）阶段是（见表1）：慢性的定义：将某人标记为患有CKD需要两个样本至少间隔90天。可以使用历史值。估计的肾小球滤过率（eGFR）取决于肌酐测量值、性别、种族和年龄。计算eGFR的最准确方法之一是肾脏疾病饮食改良（MDRD）[12]。eGFR= 186X（肌酐/88.4）-1.154X（年龄）-0.203X（女性为0.742）x（黑人为1.210）4. 结果使用DTREG预测建模系统进行以下分析。基于分类精度和执行时间的性能指标，对所采用的算法进行了实验比较。通过V折交叉验证技术进行模型测试和验证。在分析过程中，缺失的预测变量值被中位数取代。分析中使用的数据集包括361例CKD印度患者，包含25个变量（11个数值变量，14个分类变量）。在开始分析前，通过对所用数据集应用第3节中描述的eGFR公式计算eGFR，以确定每例患者肾脏疾病的严重程度数据集源可在UCI机器学习存储库中获得4.1. 变量描述下面的表2是分析中使用的变量的描述，其中包含变量名称、类、类型、缺失行数和类别（根据DTREG输出）。4.2. 敏感性和特异性采用灵敏度、特异性和准确度百分比来评估所用分类算法的性能灵敏度=TPTP+ FN专属性=TNTN+FP精度=TN+TPTP+ FP+ TN+ FN根据GFR测量值进行CKD分期GFR分期描述治疗分期190+肾功能正常，但尿液检查结果或结构异常或遗传特征指向肾脏疾病观察、控制血压。260因素3A 45-593B 30-44观察肾功能中度下降4155<15岁或接受透析非常严重，或终末期肾衰竭（有时称为已建立的肾衰竭）治疗选择。E.- H.A.拉迪和A.S. 安瓦尔于二零一九年一月十五日发出之医疗器械注册证（二零一九表24分析中使用的变量描述。2血压预测器数值5 103Specific_Gravity Predictor分类7 54白蛋白预测因子分类3和65糖预测分类4 66红细胞预测分类0和27Pus_Cell预测因子分类2 28Pus_Cell_Clumps预测因子分类4 29细菌预测分类4 210Blood_Glucose_RandomPredictor数值5 14311血液_尿素预测数值3 11612血清肌酐预测值数值0 8313钠预测数值0 3414钾预测数值7 3915血红蛋白预测数值8 11116填充细胞体积预测器数值10 4117白细胞计数预测器数值7 8618红细胞计数预测器数值7 4519高血压_预测因子2 220糖尿病_糖尿病_预测因子分类2 221冠状动脉疾病预测因子分类2 222性别_预测因子分类1和223踏板水肿预测分类1和224贫血_预测因子分类1和225CKD_STAGE_目标分类0 5表3用于对疾病严重程度为1期的CKD患者进行分类的算法分类输出总结灵敏度特异性PNNSVMRBFMLP培训验证培训验证培训验证培训验证总记录361361361361361361361361准确度100.00% 99.72% 99.45% 91.14% 98.89% 95.84% 77.56% 77.29%真阳性（TP）79（21.88%）79（21.88%）78（21.61%）57（15.79%）76（21.05%）72（19.94%）0（0.00%）11（3.05%）真阴性（TN）282例（78.12%）281例（77.84%）281例（77.84%）272人（75.35%）281例（77.84%）274例（75.90%）280人（77.56%）268人（74.24%）假阳性（FP）0（0.00%）1（0.28%）1（0.28%）10（2.77%）1（0.28%）8（2.22%）2（0.55%）14（3.88%）假阴性（FN）0（0.00%）0（0.00%）1（0.28%）22（6.09%）3（0.83%）7（1.94%）79（21.88%）68（18.84%）灵敏度100.00% 100.00% 98.73% 72.15% 96.20% 91.14% 0.00% 13.92%特异性100.00% 99.65% 99.65% 96.45% 99.65% 97.16% 99.29% 95.04%灵敏度和特异性100.00% 99.82% 99.19% 83.42% 97.91% 94.10% 0.00% 36.38%阳性预测值（PPV）100.00% 98.75% 98.73% 85.07% 98.70% 90.00% 0.00% 44.00%阴性预测值（NPV）100.00% 100.00% 99.65% 92.52% 98.94% 97.51% 77.99% 79.76%PPV和NPV的几何平均值 100.00% 99.37% 99.19% 88.72% 98.82% 93.68% 0.00% 59.24%精密度100.00% 98.75% 98.73% 85.07% 98.70% 90.00% 0.00% 44.00%召回100.00% 100.00% 98.73% 72.15% 96.20% 91.14% 0.00% 13.92%F-测量1 0.9937 0.9873 0.7808 0.9744 0.9057 0 0.2115表4用于对疾病严重程度为2期的CKD患者进行分类的算法分类输出总结灵敏度特异性PNNSVMRBFMLP培训验证培训验证培训验证培训验证总记录361361361361361361361361准确度100.00% 98.89% 99.45% 85.60% 93.63% 90.58% 72.85% 71.47%真阳性（TP）81（22.44%）78（21.61%）80（22.16%）53（14.68%）80（22.16%）75（20.78%）75（20.78%）58（16.07%）真阴性（TN）280例（77.56%）279人（77.29%）279人（77.29%）256人（70.91%）258人（71.47%）252例（69.81%）188人（52.08%）200人（55.40%）假阳性（FP）0（0.00%）1（0.28%）1（0.28%）24（6.65%）22（6.09%）28（7.76%）92（25.48%）80（22.16%）假阴性（FN）0（0.00%）3（0.83%）1（0.28%）28（7.76%）1（0.28%）6（1.66%）6（1.66%）23（6.37%）灵敏度100.00% 96.30% 98.77% 65.43% 98.77% 92.59% 92.59% 71.60%特异性100.00% 99.64% 99.64% 91.43% 92.14% 90.00% 67.14% 71.43%灵敏度和特异性100.00% 97.96% 99.20% 77.35% 95.40% 91.29% 78.85% 71.52%阳性预测值（PPV）100.00% 98.73% 98.77% 68.83% 78.43% 72.82% 44.91% 42.03%阴性预测值（NPV）100.00% 98.94% 99.64% 90.14% 99.61% 97.67% 96.91% 89.69%PPV和NPV的几何平均值 100.00% 98.84% 99.20% 78.77% 88.39% 84.33% 65.97% 61.40%精密度100.00% 98.73% 98.77% 68.83% 78.43% 72.82% 44.91% 42.03%Ser可变类类型Missing行类别1年龄预测器数值066E.- H.A.拉迪和A.S. 安瓦尔于二零一九年一月十五日发出之医疗器械注册证（二零一九表25召回100.00% 96.30% 98.77% 65.43% 98.77% 92.59% 92.59% 71.60%F-测量1 0.975 0.9877 0.6709 0.8743 0.8152 0.6048 0.5297E.- H.A.拉迪和A.S. 安瓦尔于二零一九年一月十五日发出之医疗器械注册证（二零一九表56用于对疾病严重程度为3期的CKD患者进行分类的算法分类输出总结灵敏度特异性- CKD 3PNNSVMRBFMLP培训验证培训验证培训验证培训验证总记录361361361361361361361361准确度100.00% 96.95% 100.00% 73.68% 94.18% 92.52% 82.55% 77.29%真阳性（TP）82（22.71%）81（22.44%）82（22.71%）48（13.30%）62（17.17%）61（16.90%）63（17.45%）56（15.51%）真阴性（TN）279例（77.29%）269人（74.52%）279人（77.29%）218人（60.39%）278例（77.01%）273人（75.62%）235人（65.10%）223人（61.77%）假阳性（FP）0（0.00%）10（2.77%）0（0.00%）61（16.90%）1（0.28%）6（1.66%）44（12.19%）56（15.51%）假阴性（FN）0（0.00%）1（0.28%）0（0.00%）34（9.42%）20（5.54%）21（5.82%）19（5.26%）26（7.20%）灵敏度100.00% 98.78% 100.00% 58.54% 75.61% 74.39% 76.83% 68.29%特异性100.00% 96.42% 100.00% 78.14% 99.64% 97.85% 84.23% 79.93%灵敏度和特异性100.00% 97.59% 100.00% 67.63% 86.80% 85.32% 80.44% 73.88%阳性预测值（PPV）100.00% 89.01% 100.00% 44.04% 98.41% 91.04% 58.88% 50.00%阴性预测值（NPV）100.00% 99.63% 100.00% 86.51% 93.29% 92.86% 92.52% 89.56%PPV和NPV的几何平均值 100.00% 94.17% 100.00% 61.72% 95.82% 91.95% 73.81% 66.92%精密度100.00% 89.01% 100.00% 44.04% 98.41% 91.04% 58.88% 50.00%召回100.00% 98.78% 100.00% 58.54% 75.61% 74.39% 76.83% 68.29%F-测量1 0.9364 1 0.5026 0.8552 0.8188 0.6667 0.5773表6用于对疾病严重程度为4期的CKD患者进行分类的算法分类输出总结灵敏度特异性PNNSVMRBFMLP培训验证培训验证培训验证培训验证总记录361361361361361361361361准确度100.00% 99.72% 100.00% 80.33% 99.45% 96.95% 86.43% 85.32%真阳性（TP）57（15.79%）56（15.51%）57（15.79%）15（4.16%）56（15.51%）49（13.57%）12（3.32%）9（2.49%）真阴性（TN）304例（84.21%）304人（84.21%）304人（84.21%）275 （76.18%）303例（83.93%）301人（83.38%）300人（83.10%）299人（82.83%）假阳性（FP）0（0.00%）0（0.00%）0（0.00%）29（8.03%）1（0.28%）3（0.83%）4（1.11%）5（1.39%）假阴性（FN）0（0.00%）1（0.28%）0（0.00%）42（11.63%）1（0.28%）8（2.22%）45（12.47%）48（13.30%）灵敏度100.00% 98.25% 100.00% 26.32% 98.25% 85.96% 21.05% 15.79%特异性100.00% 100.00% 90.46% 99.67% 99.01% 98.68% 98.36%灵敏度和特异性100.00% 99.12% 100.00% 48.79% 98.96% 92.26% 45.58% 39.41%阳性预测值（PPV）100.00% 100.00% 100.00% 34.09% 98.25% 94.23% 75.00% 64.29%阴性预测值（NPV）100.00% 99.67% 100.00% 86.75% 99.67% 97.41% 86.96% 86.17%PPV和NPV的几何平均值 100.00% 99.84% 100.00% 54.38% 98.96% 95.81% 80.76% 74.43%精密度100.00% 100.00% 34.09% 98.25% 94.23% 75.00% 64.29%召回100.00% 98.25% 100.00% 26.32% 98.25% 85.96% 21.05% 15.79%F-测量1 0.9912 1 0.297 0.9825 0.8991 0.3288 0.2535表7用于对疾病严重程度为5期的CKD患者进行分类的算法分类输出总结灵敏度特异性- CKD 5期PNNSVMRBFMLP培训验证培训验证培训验证培训验证总记录361361361361361361361361准确度100.00% 98.06% 100.00% 90.58% 100.00% 98.06% 95.84% 91.69%真阳性（TP）62（17.17%）55（15.24%）62（17.17%）46（12.74%）62（17.17%）57（15.79%）58（16.07%）52（14.40%）真阴性（TN）299例（82.83%）299人（82.83%）299人（82.83%）281例（77.84%）299人（82.83%）297人（82.27%）288人（79.78%）279人（77.29%）假阳性（FP）0（0.00%）0（0.00%）18（4.99%）0（0.00%）2（0.55%）11（3.05%）20（5.54%）假阴性（FN）0（0.00%）7（1.94%）0（0.00%）16（4.43%）0（0.00%）5（1.39%）4（1.11%）10（2.77%）灵敏度100.00% 88.71% 100.00% 74.19% 100.00% 91.94% 93.55% 83.87%特异性100.00% 100.00% 100.00% 93.98% 100.00% 99.33% 96.32% 93.31%灵敏度和特异性100.00% 94.19% 100.00% 83.50% 100.00% 95.56% 94.92% 88.47%阳性预测值（PPV）100.00% 100.00% 71.88% 100.00% 96.61% 84.06% 72.22%阴性预测值（NPV）100.00% 97.71% 100.00% 94.61% 100.00% 98.34% 98.63% 96.54%PPV和NPV的几何平均值 100.00% 98.85% 100.00% 82.46% 100.00% 97.47% 91.05% 83.50%精密度100.00% 100.00% 71.88% 100.00% 96.61% 84.06% 72.22%召回100.00% 88.71% 100.00% 74.19% 100.00% 91.94% 93.55% 83.87%F-测量1 0.9402 1 0.7302 1 0.9421 0.8855 0.7761其中：▪ TP是真阳性分类病例▪ FN是假阴性分类病例▪ TN是真阴性分类病例▪ FP是假阳性分类病例E.- H.A.拉迪和A.S. 安瓦尔于二零一九年一月十五日发出之医疗器械注册证（二零一九表57对于CKD 1期疾病严重程度的患者，算法分类结果显示在表（3）中，并且表明与所有其他算法结果相比，PNN算法给出了最高的分类准确度99.7%，精确度98.7%和F-测量99.37%CKD 2期疾病严重程度患者的算法分类结果见表（4），表明PNN算法E.- H.A.拉迪和A.S. 安瓦尔于二零一九年一月十五日发出之医疗器械注册证（二零一九8表8所有使用的算法的总体分类准确率百分比和分析执行时间。算法总体准确度总EX时间PNN 96.7% 0：00：12支持向量机60.7% 0：00：40径向基函数87% 2：29.6MLP 51.5% 00：03.5见图9。所有使用算法的CKD第4阶段分类准确度%。图第六章所有使用算法的CKD第1阶段分类准确度%。图10. 所有使用算法的CKD第5阶段分类准确度%。见图7。所有使用算法的CKD第2阶段分类准确度%。图十一岁所有使用算法的总体分类准确度%。表7中CKD 5期疾病严重程度患者的算法分类结果表明，与所有其他算法结果相比，PNN算法提供了最高的分类准确度，百分比为98%，精度为100%，F-测量值为94%见图8。所有使用算法的CKD第3阶段分类准确度%。与其他算法相比，该算法的分类准确率最高为98.9%，精确度最高为98.7%，Fe测度最高为97.5%表5中CKD 3期疾病严重程度患者的算法分类结果表明，与所有其他算法结果相比，PNN算法的分类准确度最高，百分比为96.9%，精确度为89%，F-测量值为93.6%表6中CKD 4期疾病严重程度患者的算法分类结果表明，与所有其他算法结果相比，PNN算法的分类准确度最高，百分比为99.7%，精度为100%，F-测量值为99.1%。5. 讨论我们的研究表明，慢性肾脏疾病的严重程度见图12。 所有使用的算法的总分析执行时间（秒）。E.- H.A.拉迪和A.S. 安瓦尔于二零一九年一月十五日发出之医疗器械注册证（二零一九9表9预测变量在建立分类模型中的总体重要性。预测变量重要性%血清肌酐100.000血尿素38.455白蛋白22.034年龄20.394血红蛋白10.359高血压9.256可以通过使用数据挖掘技术来准确地分类和预测。来自表3-另一方面，径向基函数技术比概率神经网络技术需要更多的处理时间。概率神经网络技术与所有其他用于分类CKD分期的技术相比给出了最佳分类结果（参见图1A和1B）。6 -12），如下：o CKD 1期患者分类的准确率为99.7%，精密度为98.7%，F-测量值为99.37%o 对2期CKD患者进行分类的准确率为98.9%，精密度为98.7%，F-测量值为97.5%。o 对3期CKD患者进行分类的准确率为96.9%，精密度为89%，F-测量值为93.6%o 对CKD 4期患者进行分类的准确率为99.7%，精密度为100%，F-测量值为99.1%。o 在对5期CKD患者进行分类时，准确率为98%，精密度为100%，F测量值为94%。表9的结果表明，以下预测变量是构建分类模型期间最重要的变量：血清肌酐（100%）、血尿素（38.5%）、白蛋白（22% ）、年龄（20%）、血红蛋白（10%）和高血压（9%）。概率神经网络技术可以很容易地实现对慢性肾脏病患者的严重程度阶段进行分类。6. 结论最后，如表8所示，概率神经网络算法在分类CKD患者分期时，与其他算法相比，总体分类准确率最高，为96.7%。另一方面，多层感知器需要最少的执行时间（3秒），而概率神经网络需要12秒才能完成分析。这些算法已经与基于CKD患者的正确分类阶段的分类准确性、从CKD患者的诊断到诊断所花费的时间、以及从CKD患者的诊断到诊断所花费的时间进行了比较。构建模型，以及测试模型所需的时间概率神经网络算法产生了更好的分类精度和预测性能，以预测慢性肾脏病患者的分期。重要性声明：目前的研究在由361名慢性肾脏疾病患者组成的临床/实验室数据集上应用了四种数据挖掘算法。对所述算法的结果本研究建议，概率神经网络算法是医生可以使用的最佳算法，以消除诊断和治疗错误。利益冲突不存在竞争利益。附录A.补充数据本文的补充数据可在doi.org/10.1016/j.imu.2019.100178上找到。引用[3] [10]杨文，杨文.多层感知器：架构优化和训练。 IJIMAI 2016;4（1）：26-30.[4] 达莫达兰使用baidu分类预测肝病。全国第四先进计算会议。 应用技术; 2014年，5月。[5] Joshi J，Doshi R，Patel J.使用分类规则诊断和预后乳腺癌。 Int J Eng Res Gen Sci2014;2（6）：315-23.[6] SolankiAV.镰状细胞病的WEKA分类数据挖掘技术放松。 Int J Comput Sci Inf Technol 2014;5（4）：5857-60.[7] Aljahdali S，Hussain SN.比较支持向量机和随机森林分类技术的预测性能。国际计算机应用杂志2013;69（11）.[9] 张文龙，王文龙，王文龙慢性肾脏病的贡献这一疾病对全球主要非传染性疾病负担的影响。肾脏国际2011;80（12）：1258-70。[10] 沙巴克河径向基函数的实用指南。电子资源2007年;11.[12] LeveyAS，Coresh J，Balk E，Kausz AT，Levin A，Steffes MW，等.国家肾脏慢性肾脏病基础实践指南：评估、分类和分层。 《内科学年鉴》2003;139（2）：[137]-47].[13] 放大图片作者：Cristianini N，Shawe-Taylor J.支持向量机简介其他基于内核的学习方法。北京：北京大学出版社。[15] 清水湾多层感知器中的主动学习。神经信息处理系统研究进展。1996. p. 295-301[16] 斯佩希特概率神经网络 神经网络1990;3（1）：109-18.[17] Yu W，Liu T，Valdez R，Gwinn M，Khoury MJ.支持向量机的应用以糖尿病及糖尿病前期为例。BMC Med Inf Decis Mak 2010;10（1）：16.[18] 德赛ISF。基于概率神经网络的智能心脏病预测系统。 Int J Adv Comp Theory Eng（IJACTE）2013;2（3）：2319-526.[19] [10] Magnin B，Mesrob L，Kinkingnéhun S，Pélégrini-Issac M，Colliot O，Sarazin M，et al. 基于支持向量机的阿尔茨海默病分类脑解剖核磁共振成像神经放射学2009;51（2）：73-83。[20] 曹英，胡宗栋，刘晓芳，邓安，胡昌俊.使用常规临床参数预测HBV诱导的肝硬化的MLP分类器。Dis Markers2013;35（6）：653-60.
我的内容管理
展开
