CMMMgydF4y2Ba 计算和数学方法在医学gydF4y2Ba 1748 - 6718gydF4y2Ba 1748 - 670 xgydF4y2Ba HindawigydF4y2Ba 10.1155 / 2021/9036322gydF4y2Ba 9036322gydF4y2Ba 研究文章gydF4y2Ba 通过基于评估血液透析患者的充分性Takagi-Sugeno-Kang模糊系统gydF4y2Ba 杜gydF4y2Ba AiyangydF4y2Ba 1gydF4y2Ba 史gydF4y2Ba XiaofengydF4y2Ba 2gydF4y2Ba 郭gydF4y2Ba 孝义gydF4y2Ba 1gydF4y2Ba 裴gydF4y2Ba QixiaogydF4y2Ba 3gydF4y2Ba https://orcid.org/0000 - 0003 - 2911 - 7643gydF4y2Ba 丁gydF4y2Ba 杰出gydF4y2Ba 4gydF4y2Ba 5gydF4y2Ba https://orcid.org/0000 - 0002 - 0507 - 2033gydF4y2Ba 周gydF4y2Ba 魏gydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0001 - 9952 - 424 xgydF4y2Ba 陆gydF4y2Ba 群gydF4y2Ba 6gydF4y2Ba https://orcid.org/0000 - 0001 - 8812 - 5737gydF4y2Ba 史gydF4y2Ba 华gydF4y2Ba 7gydF4y2Ba 黄gydF4y2Ba 道gydF4y2Ba 1gydF4y2Ba 血液透析中心gydF4y2Ba 南京医科大学附属无锡人民医院gydF4y2Ba 214000年无锡gydF4y2Ba 中国gydF4y2Ba njmu.edu.cngydF4y2Ba 2gydF4y2Ba 护理部gydF4y2Ba 南京医科大学附属无锡人民医院gydF4y2Ba 214000年无锡gydF4y2Ba 中国gydF4y2Ba njmu.edu.cngydF4y2Ba 3gydF4y2Ba 麻醉学部门gydF4y2Ba 南京医科大学附属无锡人民医院gydF4y2Ba 214000年无锡gydF4y2Ba 中国gydF4y2Ba njmu.edu.cngydF4y2Ba 4gydF4y2Ba 电子与信息工程学院gydF4y2Ba 苏州科技大学gydF4y2Ba 215009年苏州gydF4y2Ba 中国gydF4y2Ba usts.edu.cngydF4y2Ba 5gydF4y2Ba 长江三角洲地区学院gydF4y2Ba 中国电子科技大学gydF4y2Ba 324000年衢州gydF4y2Ba 中国gydF4y2Ba uestc.edu.cngydF4y2Ba 6gydF4y2Ba 内科医学gydF4y2Ba 南京医科大学附属无锡人民医院gydF4y2Ba 214000年无锡gydF4y2Ba 中国gydF4y2Ba njmu.edu.cngydF4y2Ba 7gydF4y2Ba 光电学院,通信工程gydF4y2Ba 厦门大学的技术gydF4y2Ba 365001年厦门gydF4y2Ba 中国gydF4y2Ba xmut.edu.cngydF4y2Ba 2021年gydF4y2Ba 28gydF4y2Ba 7gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 4gydF4y2Ba 5gydF4y2Ba 2021年gydF4y2Ba 10gydF4y2Ba 7gydF4y2Ba 2021年gydF4y2Ba 28gydF4y2Ba 7gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 版权©2021 Aiyan Du et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

维护血液透析是治疗终末期肾病的主要方法。的gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba 值是血液透析充分性的黄金标准。然而,gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba 需要反复抽血和评估;经常很难监测透析充分性。为了满足需要反复的临床评估透析充分性,我们想找一个非侵入性的方式来评估透析充分性。因此,我们收集一些临床相关数据和开发一个基于机器学习——(ML)模型预测临床血液透析患者透析充分性。我们收集250名患者,包括性别、年龄、超滤(UF)、predialysis体重(preBW) postdialysis身体重量(postBW)、血压(BP)、心率(HR)和血流量(BF)。一个高效的基于Takagi-Sugeno-Kang模糊系统(G-TSK-FS)模型提出了预测血液透析患者的透析充分性。均方根误差(RMSE)我们的模型是0.1578。该模型可以作为一个可行的方法来预测透析充分性,为临床实践提供一种新方法。我们G-TSK-FS模型可以作为一种可行的方法来预测透析充分性,为临床实践提供一种新方法。gydF4y2Ba

 1。介绍gydF4y2Ba

维护的主要治疗终末期肾病血液透析是中国。足够的血液透析不仅延长生存时间gydF4y2Ba 1gydF4y2Ba- - - - - -gydF4y2Ba 3gydF4y2Ba),但也会降低透析并发症,提高生活质量,降低死亡率。gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba 是最常用的指标来评估血液透析的充分性。英国肾脏病学会和肾脏疾病的结果质量倡议(K / DOQI)推荐最低gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba 1.2。的gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba 价值需要测量包级别(透析前后)和由Daugirdas计算公式(gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba 道gydF4y2Ba )。这种方法需要反复抽血和评估,因此很难经常监测透析的充分性。目前,一些临床研究人员使用身体监控组件(BCM)测量计算gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba 价值。然而,BCM技术需要特殊设备,操作方法尚未形成一个统一的标准。BCM技术不能被广泛开发。因此,尤为重要的是,要找到一个更方便、简单、有效的方法来评估透析的充分性。gydF4y2Ba

近年来,机器学习(ML)已广泛应用于医学领域,取得了良好的效果。例如,神经网络(gydF4y2Ba 4gydF4y2Ba)和支持向量机(SVM) (gydF4y2Ba 5gydF4y2Ba,gydF4y2Ba 6gydF4y2Ba)被用来预测干重(DW)的血液透析病人。在生物信息学领域,许多毫升技术已经被用于药物发现(gydF4y2Ba 7gydF4y2Ba- - - - - -gydF4y2Ba 9gydF4y2Ba),蛋白质功能(gydF4y2Ba 10gydF4y2Ba,gydF4y2Ba 11gydF4y2Ba),和疾病分析(gydF4y2Ba 12gydF4y2Ba]。gydF4y2Ba

ML-based预测模型还可以用于快速估计透析的充分性。这种计算方法可以为临床实践提供参考。Takagi-Sugeno-Kang模糊系统(TSK-FS) (gydF4y2Ba 13gydF4y2Ba- - - - - -gydF4y2Ba 15gydF4y2Ba)可解释性好是众所周知的,gydF4y2Ba 16gydF4y2Ba和近似精度gydF4y2Ba 17gydF4y2Ba,gydF4y2Ba 18gydF4y2Ba]。在这项研究中,我们开发了一种有效的基于Takagi-Sugeno-Kang模糊系统(G-TSK-FS)模型来预测透析的充分性。gydF4y2Ba

 2。方法gydF4y2Ba 2.1。病人gydF4y2Ba

从2018年1月至2020年12月,本研究收集的数据从无锡人民医院250例,中国。选择的标准是(1)患者18岁以上,(2)患者没有严重感染和心脏衰竭在30天内,(3)接受维护血液透析的病人超过三个月,(4)没有精神病史的患者,和(5)患者知情自愿参与本研究。排除标准:(1)患者中途退出,(2)不完整的数据。gydF4y2Ba

所有患者接受血液透析(HD)或过(HDF)通过费森尤斯公司的机器。他们都透析了四个小时。透析液固定在500毫升/分钟。表gydF4y2Ba 1gydF4y2Ba显示了性别分布、平均年龄、体重意味着predialysis (preBW)、超滤(UF)水平平均(透析前后重量的区别),平均血压、心率、平均和平均血流量。gydF4y2Ba

研究人口的统计数据。gydF4y2Ba

功能gydF4y2Ba 价值gydF4y2Ba
年龄gydF4y2Ba 57.51gydF4y2Ba ±gydF4y2Ba 13.582gydF4y2Ba
性别(男/女)gydF4y2Ba 144/106gydF4y2Ba
尿液体积(≤100毫升/ > 100毫升)gydF4y2Ba 229/21gydF4y2Ba
干重(公斤)gydF4y2Ba 62.042gydF4y2Ba ±gydF4y2Ba 12.8788gydF4y2Ba
血管通路(瘘/导管)gydF4y2Ba 209/41gydF4y2Ba
透析模式(HD / HDF)gydF4y2Ba 216/34gydF4y2Ba
透析器膜面积(mgydF4y2Ba2gydF4y2Ba)(1.2 / 1.4 / 1.8/2.2)gydF4y2Ba 8/54/158/30gydF4y2Ba
超滤(毫升)gydF4y2Ba 2186.02gydF4y2Ba ±gydF4y2Ba 1074.408gydF4y2Ba
收缩压(predialysis)(毫米汞柱)gydF4y2Ba 142.18gydF4y2Ba ±gydF4y2Ba 20.941gydF4y2Ba
舒张压(predialysis)(毫米汞柱)gydF4y2Ba 73.98gydF4y2Ba ±gydF4y2Ba 12.907gydF4y2Ba
心率(predialysis)gydF4y2Ba 74.82gydF4y2Ba ±gydF4y2Ba 10.747gydF4y2Ba
收缩压(postdialysis)(毫米汞柱)gydF4y2Ba 130.7gydF4y2Ba ±gydF4y2Ba 17.204gydF4y2Ba
舒张压(postdialysis)(毫米汞柱)gydF4y2Ba 71.47gydF4y2Ba ±gydF4y2Ba 11.094gydF4y2Ba
心率(postdialysis)gydF4y2Ba 74.73gydF4y2Ba ±gydF4y2Ba 9.676gydF4y2Ba
血流量(毫升/分钟)gydF4y2Ba 274.36gydF4y2Ba ±gydF4y2Ba 26.202gydF4y2Ba
电导率(女士/厘米)gydF4y2Ba 14.50gydF4y2Ba ±gydF4y2Ba 8.003gydF4y2Ba
静脉压(毫米汞柱)gydF4y2Ba 123.70gydF4y2Ba ±gydF4y2Ba 37.318gydF4y2Ba
跨膜压(毫米汞柱)gydF4y2Ba 76.22gydF4y2Ba ±gydF4y2Ba 34.528gydF4y2Ba
钙透析液的浓度(更易/ l) (1.5/1.75 / 1.25)gydF4y2Ba 51/183/16gydF4y2Ba
透析液温度(°C) (35.5 / 36/36.5/37)gydF4y2Ba 67/123/49/11gydF4y2Ba
Predialysis重量(公斤)gydF4y2Ba 63.73gydF4y2Ba ±gydF4y2Ba 13.593gydF4y2Ba
Postdialysis重量(公斤)gydF4y2Ba 61.75gydF4y2Ba ±gydF4y2Ba 12.91gydF4y2Ba
2.2。血液采样gydF4y2Ba

每个病人包含两个血液样本:(1)透析前,样本收集从血管静脉无抗凝的访问。收集之前,我们收集了10毫升的血液从这些患者血液透析导管作为血管访问和(2)从入口获得另一个示例是体外循环结束前透析。采取血液样本时,血流速度将放缓至50毫升/分钟。这时,血液透析液停止流动,可以收集后15秒。gydF4y2Ba

的gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba 用作postdialysis的“黄金标准”,和计算predialysis装备gydF4y2Ba (1)gydF4y2Ba KgydF4y2Ba tgydF4y2Ba VgydF4y2Ba =gydF4y2Ba lngydF4y2Ba RgydF4y2Ba −gydF4y2Ba 0.008gydF4y2Ba ×gydF4y2Ba 野gydF4y2Ba +gydF4y2Ba 4gydF4y2Ba −gydF4y2Ba 3所示。5gydF4y2Ba ×gydF4y2Ba RgydF4y2Ba ×gydF4y2Ba 佛罗里达大学gydF4y2Ba BWgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 佛罗里达大学gydF4y2Ba 超滤,gydF4y2Ba BWgydF4y2Ba postdialysis体重,gydF4y2Ba 野gydF4y2Ba 在小时透析阶段的持续时间。gydF4y2Ba RgydF4y2Ba =gydF4y2Ba UgydF4y2Ba 帖子gydF4y2Ba /gydF4y2Ba UgydF4y2Ba 精准医疗gydF4y2Ba 。gydF4y2Ba

 2.3。基于TSK模糊系统gydF4y2Ba

在这项工作中,我们使用TSK-FS预测gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba 血液透析的病人。一个经典的一阶TSK模糊系统的模糊推理规则定义如下。gydF4y2Ba

TSK模糊规则gydF4y2Ba RgydF4y2Ba kgydF4y2Ba 如下。gydF4y2Ba

如果gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba 是gydF4y2Ba 一个gydF4y2Ba 1gydF4y2Ba kgydF4y2Ba ∧gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba 是gydF4y2Ba 一个gydF4y2Ba 2gydF4y2Ba kgydF4y2Ba ∧gydF4y2Ba ⋯gydF4y2Ba ∧gydF4y2Ba xgydF4y2Ba dgydF4y2Ba 是gydF4y2Ba 一个gydF4y2Ba dgydF4y2Ba kgydF4y2Ba ,然后gydF4y2Ba fgydF4y2Ba kgydF4y2Ba xgydF4y2Ba =gydF4y2Ba pgydF4y2Ba 0gydF4y2Ba kgydF4y2Ba +gydF4y2Ba pgydF4y2Ba 1gydF4y2Ba kgydF4y2Ba xgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba ⋯gydF4y2Ba +gydF4y2Ba pgydF4y2Ba dgydF4y2Ba kgydF4y2Ba xgydF4y2Ba dgydF4y2Ba ,gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba KgydF4y2Ba ,在那里gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba kgydF4y2Ba 的一个模糊子集吗gydF4y2Ba kgydF4y2Ba th的规则gydF4y2Ba 我gydF4y2Ba th输入变量gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba KgydF4y2Ba 表示模糊规则的数目。每个模糊规则是基于特征空间gydF4y2Ba xgydF4y2Ba =gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba dgydF4y2Ba TgydF4y2Ba 。和TSK-FS将模糊集映射到一个输出单因变量gydF4y2Ba ygydF4y2Ba ogydF4y2Ba 通过gydF4y2Ba fgydF4y2Ba kgydF4y2Ba xgydF4y2Ba 。的输出TSK-FS可以制定如下:gydF4y2Ba (2)gydF4y2Ba ygydF4y2Ba ogydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba KgydF4y2Ba μgydF4y2Ba kgydF4y2Ba xgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba KgydF4y2Ba μgydF4y2Ba 我gydF4y2Ba xgydF4y2Ba fgydF4y2Ba kgydF4y2Ba xgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba KgydF4y2Ba μgydF4y2Ba ¯gydF4y2Ba kgydF4y2Ba xgydF4y2Ba fgydF4y2Ba kgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba μgydF4y2Ba kgydF4y2Ba xgydF4y2Ba 和gydF4y2Ba μgydF4y2Ba ¯gydF4y2Ba kgydF4y2Ba xgydF4y2Ba 模糊隶属函数和归一化函数通过模糊集合gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba 。和gydF4y2Ba μgydF4y2Ba kgydF4y2Ba xgydF4y2Ba 可以通过计算gydF4y2Ba (3)gydF4y2Ba μgydF4y2Ba kgydF4y2Ba xgydF4y2Ba =gydF4y2Ba ∏gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba dgydF4y2Ba μgydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba kgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba μgydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba kgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 的模糊隶属函数吗gydF4y2Ba kgydF4y2Ba th统治下gydF4y2Ba 我gydF4y2Ba 输入变量。一般来说,TSK-FS使用高斯隶属函数:gydF4y2Ba (4)gydF4y2Ba μgydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba kgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 经验值gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba cgydF4y2Ba 我gydF4y2Ba kgydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba δgydF4y2Ba 我gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba cgydF4y2Ba 我gydF4y2Ba kgydF4y2Ba 和gydF4y2Ba δgydF4y2Ba 我gydF4y2Ba kgydF4y2Ba 的两个参数吗gydF4y2Ba 我gydF4y2Ba 变量值的模糊集gydF4y2Ba kgydF4y2Ba 。模糊c均值(FCM)是用来估计以下两个参数:gydF4y2Ba (5)gydF4y2Ba cgydF4y2Ba 我gydF4y2Ba kgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ugydF4y2Ba jgydF4y2Ba kgydF4y2Ba xgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ugydF4y2Ba jgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba δgydF4y2Ba 我gydF4y2Ba kgydF4y2Ba =gydF4y2Ba hgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ugydF4y2Ba jgydF4y2Ba kgydF4y2Ba xgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba cgydF4y2Ba 我gydF4y2Ba kgydF4y2Ba 2gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ugydF4y2Ba jgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ugydF4y2Ba jgydF4y2Ba kgydF4y2Ba 模糊的会员吗gydF4y2Ba jgydF4y2Ba th样本下gydF4y2Ba kgydF4y2Ba th FCM聚类的模糊集。gydF4y2Ba hgydF4y2Ba 表示程度的参数。当TSK-FS决定的前提(如果部分),让gydF4y2Ba (6)gydF4y2Ba xgydF4y2Ba egydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba (6 b)gydF4y2Ba xgydF4y2Ba ¯gydF4y2Ba kgydF4y2Ba =gydF4y2Ba μgydF4y2Ba ¯gydF4y2Ba kgydF4y2Ba xgydF4y2Ba xgydF4y2Ba egydF4y2Ba ,gydF4y2Ba (6)gydF4y2Ba xgydF4y2Ba ggydF4y2Ba =gydF4y2Ba xgydF4y2Ba ¯gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba ¯gydF4y2Ba 2gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba ¯gydF4y2Ba KgydF4y2Ba TgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba (6 d)gydF4y2Ba pgydF4y2Ba kgydF4y2Ba =gydF4y2Ba pgydF4y2Ba 0gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba pgydF4y2Ba 2gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba pgydF4y2Ba dgydF4y2Ba kgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba (6 e)gydF4y2Ba pgydF4y2Ba ggydF4y2Ba =gydF4y2Ba pgydF4y2Ba 1gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba pgydF4y2Ba 2gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba pgydF4y2Ba KgydF4y2Ba TgydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

与方程(gydF4y2Ba 2gydF4y2Ba)(我)可以作为制定gydF4y2Ba (7)gydF4y2Ba ygydF4y2Ba ogydF4y2Ba =gydF4y2Ba xgydF4y2Ba ggydF4y2Ba pgydF4y2Ba ggydF4y2Ba 。gydF4y2Ba

所以,TSK-FS训练可以被视为解决问题的线性回归:gydF4y2Ba (8)gydF4y2Ba 最小值gydF4y2Ba pgydF4y2Ba ggydF4y2Ba EgydF4y2Ba =gydF4y2Ba ygydF4y2Ba −gydF4y2Ba XgydF4y2Ba ggydF4y2Ba pgydF4y2Ba ggydF4y2Ba TgydF4y2Ba ygydF4y2Ba −gydF4y2Ba XgydF4y2Ba ggydF4y2Ba pgydF4y2Ba ggydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ygydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba NgydF4y2Ba ×gydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba XgydF4y2Ba ggydF4y2Ba =gydF4y2Ba xgydF4y2Ba ggydF4y2Ba 1gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba ggydF4y2Ba 2gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba ggydF4y2Ba NgydF4y2Ba TgydF4y2Ba TgydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba NgydF4y2Ba ×gydF4y2Ba KgydF4y2Ba ·gydF4y2Ba dgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 近似的真正价值,功能模糊规则映射后,分别。gydF4y2Ba NgydF4y2Ba 表示训练样本的数量。gydF4y2Ba KgydF4y2Ba ⋅gydF4y2Ba dgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 后尺寸gydF4y2Ba KgydF4y2Ba 模糊规则映射。为了提高模型的泛化性能,我们添加拉普拉斯方程的正则化项(gydF4y2Ba 8gydF4y2Ba):gydF4y2Ba (9)gydF4y2Ba 最小值gydF4y2Ba pgydF4y2Ba ggydF4y2Ba EgydF4y2Ba =gydF4y2Ba ygydF4y2Ba −gydF4y2Ba XgydF4y2Ba ggydF4y2Ba pgydF4y2Ba ggydF4y2Ba TgydF4y2Ba ygydF4y2Ba −gydF4y2Ba XgydF4y2Ba ggydF4y2Ba pgydF4y2Ba ggydF4y2Ba +gydF4y2Ba βgydF4y2Ba TgydF4y2Ba rgydF4y2Ba XgydF4y2Ba ggydF4y2Ba pgydF4y2Ba ggydF4y2Ba TgydF4y2Ba lgydF4y2Ba XgydF4y2Ba ggydF4y2Ba pgydF4y2Ba ggydF4y2Ba +gydF4y2Ba λgydF4y2Ba pgydF4y2Ba ggydF4y2Ba TgydF4y2Ba pgydF4y2Ba ggydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba βgydF4y2Ba 和gydF4y2Ba λgydF4y2Ba 是两个正则化项的系数。我们推导出公式(gydF4y2Ba 9gydF4y2Ba),得到解决方案gydF4y2Ba (10)gydF4y2Ba ∂gydF4y2Ba EgydF4y2Ba ∂gydF4y2Ba pgydF4y2Ba ggydF4y2Ba =gydF4y2Ba 0gydF4y2Ba −gydF4y2Ba XgydF4y2Ba ggydF4y2Ba TgydF4y2Ba ygydF4y2Ba −gydF4y2Ba XgydF4y2Ba ggydF4y2Ba pgydF4y2Ba ggydF4y2Ba +gydF4y2Ba λgydF4y2Ba pgydF4y2Ba ggydF4y2Ba +gydF4y2Ba βgydF4y2Ba XgydF4y2Ba ggydF4y2Ba TgydF4y2Ba lgydF4y2Ba XgydF4y2Ba ggydF4y2Ba pgydF4y2Ba ggydF4y2Ba =gydF4y2Ba 0gydF4y2Ba XgydF4y2Ba ggydF4y2Ba TgydF4y2Ba XgydF4y2Ba ggydF4y2Ba +gydF4y2Ba λgydF4y2Ba 我gydF4y2Ba +gydF4y2Ba βgydF4y2Ba XgydF4y2Ba ggydF4y2Ba TgydF4y2Ba lgydF4y2Ba XgydF4y2Ba ggydF4y2Ba pgydF4y2Ba ggydF4y2Ba =gydF4y2Ba XgydF4y2Ba ggydF4y2Ba TgydF4y2Ba ygydF4y2Ba ,gydF4y2Ba pgydF4y2Ba ggydF4y2Ba =gydF4y2Ba XgydF4y2Ba ggydF4y2Ba TgydF4y2Ba XgydF4y2Ba ggydF4y2Ba +gydF4y2Ba λgydF4y2Ba 我gydF4y2Ba +gydF4y2Ba βgydF4y2Ba XgydF4y2Ba ggydF4y2Ba TgydF4y2Ba lgydF4y2Ba XgydF4y2Ba ggydF4y2Ba −gydF4y2Ba 1gydF4y2Ba XgydF4y2Ba ggydF4y2Ba TgydF4y2Ba ygydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba lgydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba NgydF4y2Ba ×gydF4y2Ba NgydF4y2Ba 拉普拉斯算子矩阵,可以计算吗gydF4y2Ba (11)gydF4y2Ba lgydF4y2Ba =gydF4y2Ba DgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba ΔgydF4y2Ba DgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba (b) 11日gydF4y2Ba ΔgydF4y2Ba =gydF4y2Ba DgydF4y2Ba −gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba DgydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba NgydF4y2Ba ×gydF4y2Ba NgydF4y2Ba 是一个对角矩阵,gydF4y2Ba DgydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 。相似度矩阵gydF4y2Ba 年代gydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba NgydF4y2Ba ×gydF4y2Ba NgydF4y2Ba 是由两个特征向量的余弦相似性。我们称之为模型基于TSK-FS (G-TSK-FS)和TSK-FS框架图如图gydF4y2Ba 1gydF4y2Ba。最小二乘求解G-TSK-FS的优化问题。gydF4y2Ba

TSK-FS的框架图。gydF4y2Ba

 3所示。结果gydF4y2Ba

在这项工作中,我们测试G-TSK-FS和其他预测数据集。评估每个模型的均方根误差(RMSE) [gydF4y2Ba 5gydF4y2Ba,gydF4y2Ba 19gydF4y2Ba),gydF4y2Ba RgydF4y2Ba 平方,和调整gydF4y2Ba RgydF4y2Ba 平方在10倍交叉验证(10-CV) [gydF4y2Ba 20.gydF4y2Ba,gydF4y2Ba 21gydF4y2Ba]。此外,Bland-Altman分析也用于评估两种不同的方法的协议(之间的临床方法和预测模型)。gydF4y2Ba

3.1。参数模型的选择gydF4y2Ba

为了使模型有最好的预测性能,我们采用网格搜索方法得到模型的最佳参数。G-TSK-FS有三个参数,包括gydF4y2Ba KgydF4y2Ba ,gydF4y2Ba λgydF4y2Ba ,gydF4y2Ba βgydF4y2Ba 。这些参数设置的范围gydF4y2Ba KgydF4y2Ba ∈gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba 5gydF4y2Ba ,gydF4y2Ba 6gydF4y2Ba ,gydF4y2Ba 7gydF4y2Ba ,gydF4y2Ba 8gydF4y2Ba ,gydF4y2Ba 9gydF4y2Ba ,gydF4y2Ba 10gydF4y2Ba 和gydF4y2Ba λgydF4y2Ba ,gydF4y2Ba βgydF4y2Ba ∈gydF4y2Ba 2gydF4y2Ba −gydF4y2Ba 10gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba −gydF4y2Ba 9gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba −gydF4y2Ba 8gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba −gydF4y2Ba 7gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba −gydF4y2Ba 6gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba −gydF4y2Ba 5gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba −gydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba −gydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba −gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 。首先,我们解决gydF4y2Ba βgydF4y2Ba =gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 寻找最好的gydF4y2Ba KgydF4y2Ba 和gydF4y2Ba λgydF4y2Ba 。搜索结果如图gydF4y2Ba 2gydF4y2Ba。可以看出,RMSE值最小(0.1950)gydF4y2Ba KgydF4y2Ba =gydF4y2Ba 2gydF4y2Ba 和gydF4y2Ba λgydF4y2Ba =gydF4y2Ba 2gydF4y2Ba −gydF4y2Ba 6gydF4y2Ba 。然后,gydF4y2Ba KgydF4y2Ba 和gydF4y2Ba λgydF4y2Ba 设置为2和2吗gydF4y2Ba−6gydF4y2Ba和gydF4y2Ba βgydF4y2Ba 将从2gydF4y2Ba−10gydF4y2Ba到2gydF4y2Ba0gydF4y2Ba2(在图的步骤gydF4y2Ba 3gydF4y2Ba)。最后,最好的RMSE下获得gydF4y2Ba βgydF4y2Ba =gydF4y2Ba 2gydF4y2Ba −gydF4y2Ba 5gydF4y2Ba 。另外,内核的可调参数高斯隶属函数的宽度gydF4y2Ba hgydF4y2Ba =gydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

下的RMSE不同gydF4y2Ba KgydF4y2Ba 和gydF4y2Ba λgydF4y2Ba 。gydF4y2Ba

下的RMSE不同gydF4y2Ba βgydF4y2Ba 。gydF4y2Ba

 3.2。相比其他预测模型gydF4y2Ba

评估我们的模型的性能,其他预测模型也在我们的数据集进行测试。他们是线性回归(LR) [gydF4y2Ba 22gydF4y2Ba,gydF4y2Ba 23gydF4y2Ba),支持向量回归(SVR) [gydF4y2Ba 24gydF4y2Ba),人工神经网络(gydF4y2Ba 25gydF4y2Ba基于反向传播算法(安),和标准TSK-FS。表gydF4y2Ba 2gydF4y2Ba显示了RMSE的结果,gydF4y2Ba RgydF4y2Ba 平方,和调整gydF4y2Ba RgydF4y2Ba 平方。一般来说,较小的RMSE(接近0),大gydF4y2Ba RgydF4y2Ba 平方,和调整gydF4y2Ba RgydF4y2Ba 平方(接近1)表明,该模型具有更好的预测性能。从表中可以看出,我们的方法(G-TSK-FS)获得最小的RMSE(0.1578)和最大的gydF4y2Ba RgydF4y2Ba 平方(0.7523)和调整gydF4y2Ba RgydF4y2Ba 平方(0.7222)。此外,G-TSK-FS增加了0.0181 (gydF4y2Ba RgydF4y2Ba 平方)和0.0204(调整gydF4y2Ba RgydF4y2Ba 平方)TSK-FS的基础上。这表明拉普拉斯正规化后的模型具有更好的泛化性能。图gydF4y2Ba 4gydF4y2Ba显示了预测值的分布(所有模型)和真实的gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba 。从150到160样品,每个模型都有严重的抖动,这可能是由于在数据收集过程中噪声。gydF4y2Ba

比较现有方法通过10倍交叉验证。gydF4y2Ba

方法gydF4y2Ba RMSEgydF4y2Ba RgydF4y2Ba 平方gydF4y2Ba 调整gydF4y2Ba RgydF4y2Ba 平方gydF4y2Ba
安gydF4y2Ba 0.2200gydF4y2Ba 0.5184gydF4y2Ba 0.4598gydF4y2Ba
LRgydF4y2Ba 0.1992gydF4y2Ba 0.6051gydF4y2Ba 0.5571gydF4y2Ba
SVRgydF4y2Ba 0.1615gydF4y2Ba 0.7405gydF4y2Ba 0.7089gydF4y2Ba
TSK-FSgydF4y2Ba 0.1634gydF4y2Ba 0.7342gydF4y2Ba 0.7018gydF4y2Ba
G-TSK-FSgydF4y2Ba 0.1578gydF4y2Ba 0.7523gydF4y2Ba 0.7222gydF4y2Ba

的预测和真正的价值gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba 。gydF4y2Ba

 3.3。Bland-Altman分析gydF4y2Ba

Bland-Altman情节是一个有用的工具,它可以评估预测方法和临床方法之间的协议。表gydF4y2Ba 3gydF4y2Ba和图gydF4y2Ba 5gydF4y2Ba显示通过Bland-Altman 5个模型分析的结果。一般来说,较低的平均差异(接近0)和较小的误差可接受范围(95%置信区域之间−1.96 SD和+ 1.96 SD),更好的之间的协议模型和临床方法。从表中可以看出,所有方法有较低的平均方差值。其中,LR的最小值(−0.07312)。除了LR和安,SVR(−18.1914到16.0155),TSK-FS(−18.1955到16.7179),和G-TSK-FS(−17.9686到16.3001)获得较小范围的协议。它可以在图中找到gydF4y2Ba 5gydF4y2BaLR的错误和安有些点是非常大的,差异是大于±50%。LR,安,SVR、TSK-FS G-TSK-FS,分歧间隔的比率都接近5%,这意味着预测方法是等价的临床方法。一般来说,值小于5%时,预测模型可以完全相同的临床方法。评价结果表明,G-TSK-FS帮助临床评估的潜力gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba 较低的成本。gydF4y2Ba

Bland-Altman情节分析为不同的模型。gydF4y2Ba

模型gydF4y2Ba 平均差异与真实gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba (%)gydF4y2Ba 限制的协议(%)gydF4y2Ba
下限gydF4y2Ba 上限gydF4y2Ba 数量的分歧时间间隔gydF4y2Ba
LRgydF4y2Ba −0.07312gydF4y2Ba −26.5869gydF4y2Ba 26.4407gydF4y2Ba 15/250gydF4y2Ba
安gydF4y2Ba 0.5469gydF4y2Ba −27.6568gydF4y2Ba 28.7505gydF4y2Ba 14/250gydF4y2Ba
SVRgydF4y2Ba −1.0880gydF4y2Ba −18.1914gydF4y2Ba 16.0155gydF4y2Ba 14/250gydF4y2Ba
TSK-FSgydF4y2Ba −0.7388gydF4y2Ba −18.1955gydF4y2Ba 16.7179gydF4y2Ba 18/250gydF4y2Ba
G-TSK-FSgydF4y2Ba −0.8342gydF4y2Ba −17.9686gydF4y2Ba 16.3001gydF4y2Ba 15/250gydF4y2Ba

Bland-Altman情节分析。gydF4y2Ba

LRgydF4y2Ba

安gydF4y2Ba

SVRgydF4y2Ba

TSK-FSgydF4y2Ba

G-TSK-FSgydF4y2Ba

 4所示。讨论gydF4y2Ba

尿素动力学删除是非常复杂的gydF4y2Ba 26gydF4y2Ba),和血液通常是计算gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba 。更重要的是,透析期间应遵循严格的血液采集程序。它大大地受到许多因素的影响,这将直接影响到计算的准确性gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba 值(gydF4y2Ba 27gydF4y2Ba]。在我们的研究中,我们发现,充分透析与年龄、性别(gydF4y2Ba 28gydF4y2Ba)、超滤(gydF4y2Ba 29日gydF4y2Ba),干重,透析器表面积,血流量(gydF4y2Ba 30.gydF4y2Ba),菲律宾,SBP和透析前后的心率。这与以前的研究一致gydF4y2Ba 31日gydF4y2Ba]。这表明这些临床特征可以用来评估透析的能力。gydF4y2Ba

LR,安,SVR回归方法,已被广泛用于许多领域。在我们的工作中,TSK-FS方法达到更好的结果。它更适合我们的任务。结果表明,的价值gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba G-TSK-FS接近预测的临床方法。G-TSK-FS获得最小的RMSE(0.1578)和最大的gydF4y2Ba RgydF4y2Ba 平方(0.7523)和调整gydF4y2Ba RgydF4y2Ba 平方(0.7222)。此外,小范围的协议(−17.9686到16.3001)和分歧间隔的比值(接近5%)表明,它是一个潜在的计算模型来取代临床方法。gydF4y2Ba

虽然一直是临床关注的价值gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba 在病人。很少有学者使用G-TSK-FS预测和病人的临床特征来预测患者透析充分性。在精密医学领域,更多的学者关注临床预测模型(gydF4y2Ba 32gydF4y2Ba- - - - - -gydF4y2Ba 36gydF4y2Ba]。评估血液透析需要反复测试的充分性,从而增加病人费用。此外,充足性测试的结果受到很多因素的影响,如血液样本采集的质量,血液样本提交的时间,测试结果的可靠性。我们研究基于大数据的机器学习。数据与预测模型是患者的临床特征。我们使用机器学习和其他病人的临床资料,方便临床收集和侵入性操作,不会增加病人的付款,进行计算gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba 。gydF4y2Ba

 5。结论gydF4y2Ba

我们的方法在预测方面取得了一些进展gydF4y2Ba KgydF4y2Ba tgydF4y2Ba /gydF4y2Ba VgydF4y2Ba 。然而,我们不带噪声样品或噪声的特点考虑在内。此外,所收集的样本的数量还没有达到一定的规模。在未来的工作中,我们将介绍其他机器学习技术,如样品过滤和特征选择(gydF4y2Ba 37gydF4y2Ba,gydF4y2Ba 38gydF4y2Ba处理各种类型的噪声。同时,进一步扩大病人样本大小也是下一步的工作。gydF4y2Ba

 数据可用性gydF4y2Ba

使用的数据来支持本研究的发现可以从相应的作者。gydF4y2Ba

 伦理批准gydF4y2Ba

本研究已通过伦理委员会(KY21002)。gydF4y2Ba

 同意gydF4y2Ba

由所有参与者签署书面知情同意。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称他们没有任何利益冲突。gydF4y2Ba

 作者的贡献gydF4y2Ba

孝义郭Aiyan Du, Xiaofen史,是共同第一作者。gydF4y2Ba

 确认gydF4y2Ba

我们应感谢无锡人民医院血液透析中心收集的数据在我们的研究。gydF4y2Ba

 NematigydF4y2Ba E。gydF4y2Ba KhosravigydF4y2Ba 一个。gydF4y2Ba EinollahigydF4y2Ba B。gydF4y2Ba MeshkatigydF4y2Ba M。gydF4y2Ba TaghipourgydF4y2Ba M。gydF4y2Ba AbbaszadehgydF4y2Ba 年代。gydF4y2Ba 之间的关系在透析患者透析充分性和血清尿酸;伊朗的血液透析中心横断面多中心研究gydF4y2Ba 肾损伤的预防》杂志上gydF4y2Ba 2016年gydF4y2Ba 6gydF4y2Ba 2gydF4y2Ba 142年gydF4y2Ba 147年gydF4y2Ba 10.15171 / jrip.2017.28gydF4y2Ba 2 - s2.0 - 85040683940gydF4y2Ba 28497092gydF4y2Ba PovedagydF4y2Ba V。gydF4y2Ba FilgueirasgydF4y2Ba M。gydF4y2Ba 米兰达gydF4y2Ba V。gydF4y2Ba Santos-SilvagydF4y2Ba 一个。gydF4y2Ba 保罗gydF4y2Ba C。gydF4y2Ba 科斯塔gydF4y2Ba E。gydF4y2Ba 弱点在终末期肾病患者透析及其与临床和生化标记gydF4y2Ba 杂志上的弱点和老化gydF4y2Ba 2017年gydF4y2Ba 6gydF4y2Ba 2gydF4y2Ba 103年gydF4y2Ba 106年gydF4y2Ba 10.14283 / jfa.2017.14gydF4y2Ba 2 - s2.0 - 85026754985gydF4y2Ba 28555712gydF4y2Ba 德普纳gydF4y2Ba T。gydF4y2Ba DaugirdasgydF4y2Ba J。gydF4y2Ba 格林gydF4y2Ba T。gydF4y2Ba AllongydF4y2Ba M。gydF4y2Ba 贝克gydF4y2Ba G。gydF4y2Ba ChumleagydF4y2Ba C。gydF4y2Ba DelmezgydF4y2Ba J。gydF4y2Ba GotchgydF4y2Ba F。gydF4y2Ba KusekgydF4y2Ba J。gydF4y2Ba 莱文gydF4y2Ba N。gydF4y2Ba 梅肯gydF4y2Ba E。gydF4y2Ba 米尔福德港gydF4y2Ba E。gydF4y2Ba 欧文gydF4y2Ba W。gydF4y2Ba 明星gydF4y2Ba R。gydF4y2Ba 托托gydF4y2Ba R。gydF4y2Ba EknoyangydF4y2Ba G。gydF4y2Ba 血液透析(麻)研究小组gydF4y2Ba 透析剂量和性别和身体大小的影响在血的研究结果gydF4y2Ba 肾脏国际gydF4y2Ba 2004年gydF4y2Ba 65年gydF4y2Ba 4gydF4y2Ba 1386年gydF4y2Ba 1394年gydF4y2Ba 10.1111 / j.1523-1755.2004.00519.xgydF4y2Ba 2 - s2.0 - 12144285940gydF4y2Ba 15086479gydF4y2Ba 局域网gydF4y2Ba Y。gydF4y2Ba 李gydF4y2Ba Q。gydF4y2Ba 监督学习与突触延迟可塑性:强化神经网络概述gydF4y2Ba 目前的生物信息学gydF4y2Ba 2021年gydF4y2Ba 15gydF4y2Ba 8gydF4y2Ba 854年gydF4y2Ba 865年gydF4y2Ba 10.2174 / 1574893615999200425230713gydF4y2Ba 郭gydF4y2Ba X。gydF4y2Ba 周gydF4y2Ba W。gydF4y2Ba 史gydF4y2Ba B。gydF4y2Ba 王gydF4y2Ba X。gydF4y2Ba 杜gydF4y2Ba 一个。gydF4y2Ba 丁gydF4y2Ba Y。gydF4y2Ba 唐gydF4y2Ba J。gydF4y2Ba 郭gydF4y2Ba F。gydF4y2Ba 一个高效的多个内核支持向量回归模型来评估血液透析患者的干重gydF4y2Ba 目前的生物信息学gydF4y2Ba 2021年gydF4y2Ba 16gydF4y2Ba 2gydF4y2Ba 284年gydF4y2Ba 293年gydF4y2Ba 10.2174 / 1574893615999200614172536gydF4y2Ba TahirgydF4y2Ba M。gydF4y2Ba 伊德里斯gydF4y2Ba 一个。gydF4y2Ba MD-LBP:一个有效的计算模型对蛋白质亚细胞定位从海拉细胞系使用支持向量机gydF4y2Ba 目前的生物信息学gydF4y2Ba 2020年gydF4y2Ba 15gydF4y2Ba 3gydF4y2Ba 204年gydF4y2Ba 211年gydF4y2Ba 10.2174 / 1574893614666190723120716gydF4y2Ba 丁gydF4y2Ba Y。gydF4y2Ba 唐gydF4y2Ba J。gydF4y2Ba 郭gydF4y2Ba F。gydF4y2Ba 通过模糊识别药物相互作用由两部分构成的局部模型gydF4y2Ba 神经计算和应用gydF4y2Ba 2020年gydF4y2Ba 32gydF4y2Ba 14gydF4y2Ba 10303年gydF4y2Ba 10319年gydF4y2Ba 10.1007 / s00521 - 019 - 04569 - zgydF4y2Ba 姆尼尔gydF4y2Ba 一个。gydF4y2Ba 马利克gydF4y2Ba 我美国。gydF4y2Ba 马利克gydF4y2Ba k。gydF4y2Ba 蛋白质组开采公认的药物靶点的识别人类病原体梭菌有毒物质造成gydF4y2Ba 目前的生物信息学gydF4y2Ba 2019年gydF4y2Ba 14gydF4y2Ba 6gydF4y2Ba 532年gydF4y2Ba 540年gydF4y2Ba 10.2174 / 1574893613666181114095736gydF4y2Ba 2 - s2.0 - 85070571937gydF4y2Ba 壮族gydF4y2Ba J。gydF4y2Ba 戴gydF4y2Ba 年代。gydF4y2Ba 张gydF4y2Ba lgydF4y2Ba 高gydF4y2Ba P。gydF4y2Ba 汉gydF4y2Ba Y。gydF4y2Ba 田gydF4y2Ba G。gydF4y2Ba 杨ydF4y2Ba N。gydF4y2Ba 唐gydF4y2Ba M。gydF4y2Ba 亏gydF4y2Ba lgydF4y2Ba 识别癌症乳腺癌基因在指导药物pepurposing扰动及其应用gydF4y2Ba 目前的生物信息学gydF4y2Ba 2021年gydF4y2Ba 15gydF4y2Ba 9gydF4y2Ba 1075年gydF4y2Ba 1089年gydF4y2Ba 10.2174 / 1574893615666200203104214gydF4y2Ba 伊克gydF4y2Ba N。gydF4y2Ba QadirgydF4y2Ba m·A。gydF4y2Ba 阿夫扎尔gydF4y2Ba m . T。gydF4y2Ba SimExact-an有效方法计算函数使用基因本体相似的蛋白质gydF4y2Ba 目前的生物信息学gydF4y2Ba 2020年gydF4y2Ba 15gydF4y2Ba 4gydF4y2Ba 318年gydF4y2Ba 327年gydF4y2Ba 10.2174 / 1574893614666191017092842gydF4y2Ba NaveedgydF4y2Ba M。gydF4y2Ba MehboobgydF4y2Ba m Z。gydF4y2Ba 侯赛因gydF4y2Ba 一个。gydF4y2Ba 伊克gydF4y2Ba K。gydF4y2Ba 达拉gydF4y2Ba 一个。gydF4y2Ba ZeeshangydF4y2Ba N。gydF4y2Ba 守恒的致命的假想的蛋白质的结构和功能注释沙眼衣原体:一个in-silico方法gydF4y2Ba 目前的生物信息学gydF4y2Ba 2019年gydF4y2Ba 14gydF4y2Ba 4gydF4y2Ba 344年gydF4y2Ba 352年gydF4y2Ba 10.2174 / 1574893613666181107111259gydF4y2Ba 2 - s2.0 - 85067954745gydF4y2Ba 汗gydF4y2Ba 一个。gydF4y2Ba ZahragydF4y2Ba 一个。gydF4y2Ba 泰姬gydF4y2Ba 年代。gydF4y2Ba FatmigydF4y2Ba m Q。gydF4y2Ba 汗gydF4y2Ba m·J。gydF4y2Ba 集成in-silico分析研究小分子核糖核酸的作用在慢性肾脏疾病的检测gydF4y2Ba 目前的生物信息学gydF4y2Ba 2020年gydF4y2Ba 15gydF4y2Ba 2gydF4y2Ba 144年gydF4y2Ba 154年gydF4y2Ba 10.2174 / 1574893614666190923115032gydF4y2Ba RezaeegydF4y2Ba B。gydF4y2Ba ZarandigydF4y2Ba m·h·F。gydF4y2Ba 数据驱动Takagi-Sugeno-Kang模糊系统的模糊建模gydF4y2Ba 信息科学gydF4y2Ba 2010年gydF4y2Ba 180年gydF4y2Ba 2gydF4y2Ba 241年gydF4y2Ba 255年gydF4y2Ba 10.1016 / j.ins.2009.08.021gydF4y2Ba 2 - s2.0 - 70350605478gydF4y2Ba 邓gydF4y2Ba Z。gydF4y2Ba 江gydF4y2Ba Y。gydF4y2Ba 崔gydF4y2Ba K.-S。gydF4y2Ba 钟gydF4y2Ba F.-L。gydF4y2Ba 王gydF4y2Ba 年代。gydF4y2Ba Knowledge-leverage-based TSK模糊系统建模gydF4y2Ba IEEE神经网络和学习系统gydF4y2Ba 2013年gydF4y2Ba 24gydF4y2Ba 8gydF4y2Ba 1200年gydF4y2Ba 1212年gydF4y2Ba 10.1109 / TNNLS.2013.2253617gydF4y2Ba 2 - s2.0 - 84880920607gydF4y2Ba 江gydF4y2Ba Y。gydF4y2Ba 钟gydF4y2Ba f . L。gydF4y2Ba IshibuchigydF4y2Ba H。gydF4y2Ba 邓gydF4y2Ba Z。gydF4y2Ba 王gydF4y2Ba 年代。gydF4y2Ba 多任务TSK模糊系统建模通过挖掘任务间常见的隐藏的结构gydF4y2Ba IEEE控制论gydF4y2Ba 2015年gydF4y2Ba 45gydF4y2Ba 3gydF4y2Ba 548年gydF4y2Ba 561年gydF4y2Ba 10.1109 / TCYB.2014.2330844gydF4y2Ba 2 - s2.0 - 84923342673gydF4y2Ba 24988602gydF4y2Ba 江gydF4y2Ba Y。gydF4y2Ba 吴gydF4y2Ba D。gydF4y2Ba 邓gydF4y2Ba Z。gydF4y2Ba 钱gydF4y2Ba P。gydF4y2Ba 王gydF4y2Ba J。gydF4y2Ba 王gydF4y2Ba G。gydF4y2Ba 钟gydF4y2Ba f . L。gydF4y2Ba 崔gydF4y2Ba k . S。gydF4y2Ba 王gydF4y2Ba 年代。gydF4y2Ba 癫痫发作分类使用转移学习,从脑电图信号semi-supervised学习和TSK模糊系统gydF4y2Ba IEEE神经系统和康复工程gydF4y2Ba 2017年gydF4y2Ba 25gydF4y2Ba 12gydF4y2Ba 2270年gydF4y2Ba 2284年gydF4y2Ba 10.1109 / TNSRE.2017.2748388gydF4y2Ba 2 - s2.0 - 85029183315gydF4y2Ba 28880184gydF4y2Ba KerkgydF4y2Ba y W。gydF4y2Ba 格兰gydF4y2Ba c . Y。gydF4y2Ba 泰河gydF4y2Ba k . M。gydF4y2Ba LimgydF4y2Ba c·P。gydF4y2Ba 参数条件单调啧啧ann-ary聚合函数的模糊推理系统gydF4y2Ba IEEE模糊系统gydF4y2Ba 2021年gydF4y2Ba 29日gydF4y2Ba 7gydF4y2Ba 1864年gydF4y2Ba 1873年gydF4y2Ba 10.1109 / TFUZZ.2020.2986986gydF4y2Ba 江gydF4y2Ba Y。gydF4y2Ba 张gydF4y2Ba Y。gydF4y2Ba 林gydF4y2Ba C。gydF4y2Ba 吴gydF4y2Ba D。gydF4y2Ba 林gydF4y2Ba c . T。gydF4y2Ba EEG-based司机困倦估计使用在线多视点和转移TSK模糊系统gydF4y2Ba IEEE智能交通系统gydF4y2Ba 2021年gydF4y2Ba 22gydF4y2Ba 3gydF4y2Ba 1752年gydF4y2Ba 1764年gydF4y2Ba 10.1109 / TITS.2020.2973673gydF4y2Ba SultanagydF4y2Ba N。gydF4y2Ba 沙玛gydF4y2Ba N。gydF4y2Ba 沙玛gydF4y2Ba k P。gydF4y2Ba 时gydF4y2Ba 年代。gydF4y2Ba 一个连续整体的传染病模型预测gydF4y2Ba 目前的生物信息学gydF4y2Ba 2020年gydF4y2Ba 15gydF4y2Ba 4gydF4y2Ba 309年gydF4y2Ba 317年gydF4y2Ba 10.2174 / 1574893614666191202153824gydF4y2Ba 朱gydF4y2Ba H。gydF4y2Ba 杜gydF4y2Ba X。gydF4y2Ba 姚gydF4y2Ba Y。gydF4y2Ba ConvsPPIS:识别蛋白质交互网站的合奏卷积神经网络与功能图gydF4y2Ba 目前的生物信息学gydF4y2Ba 2020年gydF4y2Ba 15gydF4y2Ba 4gydF4y2Ba 368年gydF4y2Ba 378年gydF4y2Ba 10.2174 / 1574893614666191105155713gydF4y2Ba 高gydF4y2Ba J。gydF4y2Ba 张gydF4y2Ba lgydF4y2Ba 余gydF4y2Ba G。gydF4y2Ba 曲gydF4y2Ba G。gydF4y2Ba 李gydF4y2Ba Y。gydF4y2Ba 杨gydF4y2Ba X。gydF4y2Ba 结直肠腺瘤风险的模型与GBDT诊断gydF4y2Ba 目前的生物信息学gydF4y2Ba 2020年gydF4y2Ba 15gydF4y2Ba 971年gydF4y2Ba 979年gydF4y2Ba 10.2174 / 1574893614666191120142005gydF4y2Ba TahirgydF4y2Ba M。gydF4y2Ba SardarazgydF4y2Ba M。gydF4y2Ba MehmoodgydF4y2Ba Z。gydF4y2Ba 汗gydF4y2Ba m . S。gydF4y2Ba ESREEM:高效短读为新一代基因组测序误差估计的计算模型gydF4y2Ba 目前的生物信息学gydF4y2Ba 2021年gydF4y2Ba 16gydF4y2Ba 2gydF4y2Ba 339年gydF4y2Ba 349年gydF4y2Ba 10.2174 / 1574893615999200614171832gydF4y2Ba 刘gydF4y2Ba W。gydF4y2Ba 哈兰gydF4y2Ba j . P。gydF4y2Ba 灰gydF4y2Ba 答:S。gydF4y2Ba 埃里森gydF4y2Ba J·J。gydF4y2Ba 叶gydF4y2Ba 年代。gydF4y2Ba TjiagydF4y2Ba J。gydF4y2Ba BuccigydF4y2Ba V。gydF4y2Ba 张gydF4y2Ba B。gydF4y2Ba 高维因果中介分析与大量的介质聚集在0到评估的贡献微生物细菌病原体的风险在老年人殖民gydF4y2Ba 目前的生物信息学gydF4y2Ba 2020年gydF4y2Ba 15gydF4y2Ba 7gydF4y2Ba 671年gydF4y2Ba 696年gydF4y2Ba 10.2174 / 1574893614666191115123219gydF4y2Ba 陈gydF4y2Ba lgydF4y2Ba 李gydF4y2Ba J。gydF4y2Ba 常gydF4y2Ba M。gydF4y2Ba 癌症诊断和疾病基因通过统计机器学习识别gydF4y2Ba 目前的生物信息学gydF4y2Ba 2021年gydF4y2Ba 15gydF4y2Ba 9gydF4y2Ba 956年gydF4y2Ba 962年gydF4y2Ba 10.2174 / 1574893615666200207094947gydF4y2Ba 黄gydF4y2Ba k . k . L。gydF4y2Ba 优化设计中自然结构、生物材料、生物信息学和生物识别技术为解决生理需求和最终bio-devices的性能gydF4y2Ba 目前的生物信息学gydF4y2Ba 2019年gydF4y2Ba 14gydF4y2Ba 5gydF4y2Ba 374年gydF4y2Ba 375年gydF4y2Ba 10.2174 / 157489361405190628122355gydF4y2Ba 2 - s2.0 - 85073269471gydF4y2Ba 费尔南德斯gydF4y2Ba 大肠。gydF4y2Ba ValtuillegydF4y2Ba R。gydF4y2Ba WillshawgydF4y2Ba P。gydF4y2Ba PerazzogydF4y2Ba c。gydF4y2Ba 使用人工智能预测平衡postdialysis血尿素浓度gydF4y2Ba 血液净化gydF4y2Ba 2001年gydF4y2Ba 19gydF4y2Ba 3gydF4y2Ba 271年gydF4y2Ba 285年gydF4y2Ba 10.1159 / 000046955gydF4y2Ba 2 - s2.0 - 0035107576gydF4y2Ba 11244187gydF4y2Ba 戈德斯gydF4y2Ba C . C。gydF4y2Ba TraynorgydF4y2Ba J。gydF4y2Ba WalbaumgydF4y2Ba D。gydF4y2Ba 福克斯gydF4y2Ba j·G。gydF4y2Ba MactiergydF4y2Ba r。gydF4y2Ba 新的post-dialysis血尿素抽样方法:停止透析液流的方法gydF4y2Ba 肾脏学、透析移植gydF4y2Ba 2000年gydF4y2Ba 15gydF4y2Ba 4gydF4y2Ba 517年gydF4y2Ba 523年gydF4y2Ba 10.1093 /无损检测/ 15.4.517gydF4y2Ba 2 - s2.0 - 0034065930gydF4y2Ba SomjigydF4y2Ba 美国年代。gydF4y2Ba RuggajogydF4y2Ba P。gydF4y2Ba MoledinagydF4y2Ba 年代。gydF4y2Ba 血液透析的充分性及其相关因素在达累斯萨拉姆接受长期血液透析的患者中,坦桑尼亚gydF4y2Ba 国际肾脏病学会杂志gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 6gydF4y2Ba 9863065gydF4y2Ba 10.1155 / 2020/9863065gydF4y2Ba 32095287gydF4y2Ba 卡亚gydF4y2Ba T。gydF4y2Ba SipahigydF4y2Ba 年代。gydF4y2Ba CinemregydF4y2Ba H。gydF4y2Ba KaracaergydF4y2Ba C。gydF4y2Ba VarimgydF4y2Ba C。gydF4y2Ba NalbantgydF4y2Ba 一个。gydF4y2Ba 温和的gydF4y2Ba 一个。gydF4y2Ba 之间的关系的目标剂量血液透析充分性和营养评估gydF4y2Ba 沙特医学年鉴gydF4y2Ba 2016年gydF4y2Ba 36gydF4y2Ba 2gydF4y2Ba 121年gydF4y2Ba 127年gydF4y2Ba 10.5144 / 0256 - 4947.2016.3.4.1735gydF4y2Ba 2 - s2.0 - 85021850512gydF4y2Ba 27038739gydF4y2Ba 达哈伯Abo血型gydF4y2Ba l . H。gydF4y2Ba ——gydF4y2Ba 大肠。gydF4y2Ba 默罕默德gydF4y2Ba 大肠。gydF4y2Ba abdel-NaiemgydF4y2Ba 一个。gydF4y2Ba 血液透析充分性评估在慢性肾脏疾病患者血液透析单位索哈杰省大学医院gydF4y2Ba 索哈杰省医学杂志gydF4y2Ba 2018年gydF4y2Ba 22gydF4y2Ba 1gydF4y2Ba 187年gydF4y2Ba 191年gydF4y2Ba 10.21608 / smj.2018.41088gydF4y2Ba RezaieegydF4y2Ba O。gydF4y2Ba ShahgholiangydF4y2Ba N。gydF4y2Ba ShahidigydF4y2Ba 年代。gydF4y2Ba 血液透析充分性评估及其与个体的关系和个人因素gydF4y2Ba 伊朗护理和助产学研究杂志》上gydF4y2Ba 2016年gydF4y2Ba 21gydF4y2Ba 6gydF4y2Ba 577年gydF4y2Ba 582年gydF4y2Ba 10.4103 / 1735 - 9066.197673gydF4y2Ba 28194196gydF4y2Ba 余gydF4y2Ba J。gydF4y2Ba 陈gydF4y2Ba X。gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 刘gydF4y2Ba Z。gydF4y2Ba 沈gydF4y2Ba B。gydF4y2Ba 腾gydF4y2Ba J。gydF4y2Ba 邹gydF4y2Ba J。gydF4y2Ba 丁gydF4y2Ba X。gydF4y2Ba Intradialytic收缩压变化可以预测长期死亡率在维护血液透析病人gydF4y2Ba 国际泌尿外科和肾脏学gydF4y2Ba 2021年gydF4y2Ba 53gydF4y2Ba 4gydF4y2Ba 785年gydF4y2Ba 795年gydF4y2Ba 10.1007 / s11255 - 020 - 02701 - wgydF4y2Ba 33387229gydF4y2Ba 张gydF4y2Ba Q。gydF4y2Ba 阴gydF4y2Ba K。gydF4y2Ba 朱gydF4y2Ba M。gydF4y2Ba 林gydF4y2Ba X。gydF4y2Ba 方gydF4y2Ba Y。gydF4y2Ba 陆gydF4y2Ba J。gydF4y2Ba 李gydF4y2Ba Z。gydF4y2Ba 倪gydF4y2Ba Z。gydF4y2Ba 脉搏波速度结合galectin-3预测死亡率和血液透析患者脑血管和心血管事件gydF4y2Ba 医学前沿gydF4y2Ba 2020年gydF4y2Ba 7gydF4y2Ba 10.3389 / fmed.2020.579021gydF4y2Ba DecarogydF4y2Ba C。gydF4y2Ba MontanarigydF4y2Ba g . B。gydF4y2Ba 莫伦纳gydF4y2Ba R。gydF4y2Ba GilbertigydF4y2Ba 一个。gydF4y2Ba BagnoligydF4y2Ba D。gydF4y2Ba BianconigydF4y2Ba M。gydF4y2Ba BellancagydF4y2Ba G。gydF4y2Ba 机器学习方法的预测在血液透析患者血参数gydF4y2Ba IEEE平移工程在健康和医学杂志》上gydF4y2Ba 2019年gydF4y2Ba 7gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba 10.1109 / JTEHM.2019.2938951gydF4y2Ba 牧野gydF4y2Ba M。gydF4y2Ba YoshimotogydF4y2Ba R。gydF4y2Ba 小野gydF4y2Ba M。gydF4y2Ba ItokogydF4y2Ba T。gydF4y2Ba KatsukigydF4y2Ba T。gydF4y2Ba 户籍或gydF4y2Ba 一个。gydF4y2Ba 荣誉gydF4y2Ba M。gydF4y2Ba 海达gydF4y2Ba K。gydF4y2Ba 黑田gydF4y2Ba J。gydF4y2Ba YanagiyagydF4y2Ba R。gydF4y2Ba SaitohgydF4y2Ba E。gydF4y2Ba HoshinagagydF4y2Ba K。gydF4y2Ba YuzawagydF4y2Ba Y。gydF4y2Ba 铃木gydF4y2Ba 一个。gydF4y2Ba 人工智能预测糖尿病肾病的发展使用大数据机器学习gydF4y2Ba 科学报告gydF4y2Ba 2019年gydF4y2Ba 9gydF4y2Ba 1,第11862条gydF4y2Ba 10.1038 / s41598 - 019 - 48263 - 5gydF4y2Ba 2 - s2.0 - 85070786171gydF4y2Ba 31413285gydF4y2Ba Martinez-MartinezgydF4y2Ba j . M。gydF4y2Ba Escandell-MonterogydF4y2Ba P。gydF4y2Ba 巴比里gydF4y2Ba C。gydF4y2Ba Soria-OlivasgydF4y2Ba E。gydF4y2Ba 毛伊岛gydF4y2Ba F。gydF4y2Ba Martinez-SobergydF4y2Ba M。gydF4y2Ba 阿玛托gydF4y2Ba C。gydF4y2Ba 塞拉诺洛佩兹gydF4y2Ba a·J。gydF4y2Ba 低音部gydF4y2Ba M。gydF4y2Ba Magdalena-BeneditogydF4y2Ba R。gydF4y2Ba 塞gydF4y2Ba 一个。gydF4y2Ba Martin-GuerrerogydF4y2Ba j . D。gydF4y2Ba •加蒂gydF4y2Ba E。gydF4y2Ba 预测的血红蛋白水平在血液透析患者使用机器学习技术gydF4y2Ba 计算机在生物医学方法和项目gydF4y2Ba 2014年gydF4y2Ba 117年gydF4y2Ba 2gydF4y2Ba 208年gydF4y2Ba 217年gydF4y2Ba 10.1016 / j.cmpb.2014.07.001gydF4y2Ba 2 - s2.0 - 84908030052gydF4y2Ba 25070755gydF4y2Ba 张gydF4y2Ba G。gydF4y2Ba 余gydF4y2Ba P。gydF4y2Ba 王gydF4y2Ba J。gydF4y2Ba 杨ydF4y2Ba C。gydF4y2Ba 使用信息增益特征选择算法对高维生物医学数据,提高化学反应的优化gydF4y2Ba 目前的生物信息学gydF4y2Ba 2021年gydF4y2Ba 15gydF4y2Ba 8gydF4y2Ba 912年gydF4y2Ba 926年gydF4y2Ba 10.2174 / 1574893615666200204154358gydF4y2Ba BerrhailgydF4y2Ba F。gydF4y2Ba BelhadefgydF4y2Ba H。gydF4y2Ba 遗传算法的特征选择方法提高相似性搜索在ligand-based虚拟筛选的有效性gydF4y2Ba 目前的生物信息学gydF4y2Ba 2020年gydF4y2Ba 15gydF4y2Ba 5gydF4y2Ba 431年gydF4y2Ba 444年gydF4y2Ba 10.2174 / 1574893614666191119123935gydF4y2Ba