论文部分内容阅读
世界卫生组织的数据显示,产后大出血是造成孕产妇死亡最主要的原因。在孕产妇未大出血前,对孕产妇产后大出血可能原因进行预测并对该因素的风险程度进行评估是一项十分重要且迫切的工作,但是由于产后大出血数据集的离散性、正负样本不均衡等特点,将机器学习算法应用于产后大出血相关预测的工作仍十分困难。本论文通过对传统的KNN算法进行改进,提出了适用于处理产后大出血数据集的基于影响因子的自适应KNN算法(Adaptive KNN based on Influence Factors,简称AKNN-IF)。传统的KNN算法在将离散常规型特征属性值转化为数值型时,并没有考虑特征属性对标签属性的影响程度,AKNN-IF算法提出了影响因子,解决了这个问题;传统的KNN算法需要对数据集进行类别均衡处理,AKNN-IF算法则是使用这种类别不均衡的性质,通过计算每个特征属性值中正样本的比例,来得到每个特征属性值对标签属性的影响程度,作为每个特征属性值的影响因子。由于产后大出血的原因相互独立,互不影响,所以本论文使用AKNN-IF算法对宫缩乏力、软产道损伤、胎盘因素和凝血功能障碍这四种产后大出血的原因分别建立模型,实现对孕产妇产后大出血可能的原因及风险程度的预测和评估工作。通过实验证明,使用AKNN-IF算法建立的模型的平均正确率、F值、AUC值分别比传统的KNN算法提高了6%、17%、13.6%,说明AKNN-IF可以更好的对孕产妇产后大出血可能的原因在产后大出血发生前期进行预测。此外,为了更好地实现交互性,本论文利用AKNN-IF算法作为核心思想设计并开发了一个基于C/S架构的产后大出血医学预测系统,该系统实现了软件登录模块、软件使用说明模块、产后进行预测模块、病人信息查询模块、产后出血相关资料模块共五大功能模块。