买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉肾泰网健康科技(南京)有限公司申请的专利一种基于AI技术血液透析患者营养不良预测的方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119339862B 。

龙图腾网通过国家知识产权局官网在2025-07-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411334740.9，技术领域涉及：G16H10/60；该发明授权一种基于AI技术血液透析患者营养不良预测的方法及系统是由陈浩;姜玉苹;斯海燕;叶琳;黎海源;陆凯东设计研发完成，并于2024-09-24向国家知识产权局提交的专利申请。

本一种基于AI技术血液透析患者营养不良预测的方法及系统在说明书摘要公布了：本发明提供一种基于AI技术血液透析患者营养不良预测的方法及系统，所述系统包括数据收集模块、数据预处理模块、数据标准化模块、降维模块、营养状态预测模块；所述方法包括以下步骤：S1：收集血液透析患者相关属性，得到血液透析患者数据集；S2：对血液透析患者数据集进行预处理；S3：对血液透析患者数据集进行标准化处理；S4：特征选择和模型构建方法；S5：模型训练与生成；本发明方法通过利用AI技术结合多维数据对患者进行综合分析，能够更全面地预测患者的营养状态，评估结果具有全面性，避免了现有技术中基于少数几个指标对血液透析患者进行营养状态预测、指标过于单一、预测结果不全面的问题。

本发明授权一种基于AI技术血液透析患者营养不良预测的方法及系统在权利要求书中公布了：1.一种基于AI技术血液透析患者营养不良预测的方法，其特征在于：包括以下步骤： S1：收集血液透析患者相关属性，得到血液透析患者数据集； 数据收集模块根据实际需求收集血液透析患者相关属性； 具体地，数据收集模块根据实际需求从一般人口学资料、血液透析资料、实验室检查指标、诊断结果中收集血液透析患者相关属性； 血液透析患者相关属性收集完成，得到血液透析患者数据集，所述血液透析患者数据集中包含特征和对应的特征值；所述特征为收集到的患者的各种属性，特征值为各种属性对应的具体值； S2：对血液透析患者数据集进行预处理； 数据预处理模块通过处理缺失数据、处理异常值的方式对血液透析患者数据集中的数据进行预处理，包括如下子步骤： S21：处理缺失数据； 判断血液透析患者数据集中是否存在缺失数据，如果存在缺失数据，则对缺失数据进行处理；如果不存在，则进入步骤S22； S211：判断是否存在缺失数据； 判断血液透析患者数据集中是否存在缺失数据； 具体的判断方法包括统计缺失值、可视化数据分布；判断完成后，通过求和函数sum得到缺失数据的数量； 如果血液透析患者数据集中不存在缺失数据，则进入步骤S22；如果存在缺失数据，则进入步骤S212； S212：评估缺失数据的影响； 评估缺失数据对整体数据分布的影响，具体的评估方法包括比较统计指标、计算相关性、比较数据分布； S213：对缺失数据进行处理； 根据步骤S212的评估结果对缺失数据进行处理，当缺失数据的数量小且缺失数据对整体数据分布产生影响小时，采用填充法或删除法； 当缺失数据的数量大且缺失数据对整体数据分布产生影响大时，采用深度学习方法、多重插补法进行数据填充； 当连续型数据中存在缺失数据时，采用插值法进行插值填充，所述插值法包括线性插值或多项式插值； S22：处理异常值； 判断血液透析患者数据集中是否存在异常值，如果存在异常值，则对异常值进行处理；如果不存在，则进入步骤S23； S221：识别异常值； 识别血液透析患者数据集中是否存在异常值，具体的识别方法包括箱线图法、Z-score对比检测法； S222：对异常值进行处理； 通过删除异常值或替换异常值的方法对异常值进行处理； 具体地，替换异常值指将异常值替换为血液透析患者数据集中的特定值，包括中位数、平均值； S3：对血液透析患者数据集进行标准化处理； 数据标准化模块对血液透析患者数据集中的数据进行标准化处理； 将血液透析患者的诊断结果标准化为轻度营养不良状态、中度营养不良状态、重度营养不良状态、正常营养状态； 通过计算每个特征的差异值，根据计算出的特征的差异值得到差异值均值和差异值标准差，通过Z-score标准化公式进行数据标准化处理； S4：特征选择和模型构建方法； 降维模块结合数据算法确定血液透析患者数据集中与营养不良相关的特征； 包括如下子步骤： S41：初步去除差异性较小的特征； 通过聚类算法对血液透析患者数据集中的数据进行聚类分析，将每个样本分配到对应的簇中；计算每个簇中各个特征的分布情况，通过方差衡量各特征在不同簇中的分布差异；去除差异性较小的特征； 通过聚类算法对血液透析患者数据集中的数据进行聚类分析； 所述聚类算法包括k均值聚类、层次聚类、DBSCAN聚类； 将血液透析患者数据集中每个患者的数据记为一个样本，对每个样本分别运行上述三种聚类算法，每种聚类算法分别将每个样本分配到对应的簇中； 每个聚类算法设定的簇数量的方法包括，k均值聚类和层次聚类的簇数量采用轮廓系数确定最佳簇数，DBSCAN聚类不需要预先设定簇数量，但需要设定eps和min_samples参数，这些参数通过观察数据点距离图来确定； 计算每个簇中各个特征的分布情况，通过方差衡量各特征在不同簇中的分布差异； 根据方差公式计算每个簇中包含的各个特征的方差，将计算得到的每个特征方差进行降序排列，绘制方差排序后的曲线，所述曲线中横轴为特征名称、纵轴为对应特征的方差； 采用kneedle算法得到曲线的斜率变化，根据斜率变化检测曲线的拐点，检测到的曲线的第一个拐点之前的特征表明在不同的簇之间表现出较大的差异性，区分不同的簇； 去除数据集中未能在不同簇中表现出较大差异的特征即第一个拐点之后的特征，三个聚类算法获取的较大差异的特征取交集即初步降维后的特征，整个实验过程是循环迭代的； S42：数据聚类计算生成模型； 生成聚类模型，评估聚类模型的关键指标包括轮廓系数、簇内营养状态的纯度和准确率； S43：随机组合特征进行迭代聚类分组； 从S41步骤初步筛选出的特征中，随机选择不同组合的特征子集，用这些子集对数据进行重新聚类，进行多次迭代的聚类分析； 在每次聚类时，重新应用k均值聚类、层次聚类和DBSCAN聚类方法，重复之前的簇数确定及聚类步骤，并进行结果融合；每次迭代时，保持与S42一致的流程，即为每个簇分配营养状态标签，并计算每个簇中的营养状态比例； 每次聚类后，评估聚类模型的效果，确保模型能够有效区分不同的营养状态，计算各个簇的轮廓系数、簇内营养状态的纯度和准确率，确保聚类结果能有效区分营养状态； S5：模型训练与生成； 基于S4的特征选择和聚类分析，通过最终筛选的特征和聚类模型，进行营养不良状态的预测，包括如下子步骤： S51：准备训练数据； 通过S4步骤的特征选择结果确定特征集，即为训练数据； S52：使用聚类模型来预测患者是否处于营养不良状态； S53：使用聚类模型进行训练； S54：模型评估与优化； S55：使用训练好的聚类模型预测新数据。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人肾泰网健康科技(南京)有限公司，其通讯地址为：210033 江苏省南京市栖霞区仙林街道仙林大学城元化路8号1幢协同创新大厦517-1室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。