疾病预测和医疗推荐系统的开发是近年来医疗健康领域应用人工智能技术的重要进展。通过机器学习技术，该系统能够根据用户输入的症状进行疾病预测，这不仅提高了医疗诊断的效率，还为用户提供个性化的医疗服务建议。该系统主要功能可以分为两大模块：疾病预测和个性化医疗推荐。 在疾病预测方面，系统首先需要收集和整理大量的医疗数据，这些数据包括但不限于患者的病例记录、医学检验结果以及相关的临床研究资料。通过对这些数据的深入分析，机器学习模型能够学习到不同症状和疾病之间的关联规律。当用户输入自己的症状后，系统会利用训练好的模型来分析症状与可能疾病的对应关系，并给出一个或多个可能的疾病预测结果。 疾病预测只是第一步，更为核心的是提供个性化医疗建议。根据预测结果，系统能够为用户推荐量身定制的药物治疗方案、饮食调整建议以及锻炼计划。例如，对于高血压患者，系统不仅会推荐特定的降压药物，还会根据患者的生活习惯和体质，提供适合的饮食方案，如低盐低脂食谱，以及适宜的运动方式和运动强度建议，如温和的有氧运动和力量训练。 要实现这样一个系统，其开发过程中需要解决一系列的技术挑战。准确收集和处理医疗数据至关重要。数据的质量直接决定了模型的预测能力。需要选择合适的机器学习算法来构建疾病预测模型。常用的算法包括决策树、随机森林、支持向量机、神经网络等。为了提高预测的准确性和系统的可靠性，通常需要对多种算法进行尝试和比较，并通过交叉验证等方法对模型进行优化。 此外，系统还需要具备良好的用户体验设计。通过友好的界面设计让用户能够方便地输入自己的症状信息，并且清晰地展示预测结果和医疗建议。这通常需要前端开发技术来实现，比如HTML、CSS和JavaScript等。系统后端则需要处理数据存储、模型计算等任务，确保整个服务的流畅运行。 为了确保系统的安全性和隐私性，还需要考虑数据加密和访问控制机制，以保护用户的敏感信息。在数据存储和处理过程中，遵守相关的医疗保健数据保护法规是非常必要的。此外，系统在部署前还需要进行严格的测试，以确保其稳定性和可靠性。 疾病预测和医疗推荐系统不仅需要先进的机器学习技术作为核心支撑，还需要结合前端技术、后端服务以及用户界面设计。通过这些技术的综合应用，可以实现一个高效、准确且用户友好的医疗服务平台。

逻辑回归模型已成为研究二进制响应变量之间的关联的常用方法。 它的广泛应用取决于其易于应用和解释。 Logistic回归模型的拟合优度评估主题吸引了许多科学家和研究人员的关注。 拟合优度测试是确定拟合模型的适用性的方法。 在logistic回归模型中提出和讨论了许多评估拟合优度的方法，但是，拟合优度统计量的渐近分布研究较少，需要进行更多的研究。 这项工作将专注于评估拟合优度检验的渐近分布行为，还将进行全局拟合优度检验之间的比较，并通过仿真对其进行评估。

先前的临床试验已经证明，传统日药yokukansan可以治疗痴呆的行为和心理症状（BPSD）。 然而，鲜有证据证明用由五千山散和两种其他草药成分组成的四千五山排毒汤（YKSCH）治疗BPSD。 本研究旨在探讨YKSCH治疗老年痴呆症（AD）患者的BPSD的疗效和安全性。 我们招募了表现出BPSD且轻度至中度AD的门诊患者，其神经精神病学量表（NPI）得分> 3，其中包括“焦虑”，“焦虑”，“易怒”以及“睡眠和夜间行为改变”的次级量表得分”。 服用7.5 g的每日YKSCH剂量，持续12周，同时服用抗痴呆药。 在基线时以及干预期间每4周使用NPI评估BPSD。 我们还使用日文翻译的《冷漠量表》，《 Zarit Caregiver Burden访谈》的日语版以及修改后的Crichton量表来预测冷漠。 认知功能障碍使用迷你精神状态检查和AD评估量表-认知（日语版）进行评估。 招募了五名参与者。 在YKSCH干预期间，NPI总分在基线评估和8周评估之间趋于下降（Wilcoxon符号秩检验，P = 0.063）。 在NPI分量表得分方面，在基线时表现出每种症状的人进行干预后，“平静”，“躁动”

IsingFit 该网络估计程序eLasso基于Ising模型，将l1正则逻辑回归与基于扩展贝叶斯信息准则（EBIC）的模型选择相结合。 EBIC是一种适合的度量，用于识别变量之间的相关关系。 生成的网络由变量（作为节点）和相关关系（作为边）组成。 可以处理二进制数据。

ID3算法构建决策树，并将决策树可视化

NBME-病例症状识别.zip

检测帕金森病 帕金森氏病与运动障碍症状有关，例如震颤，僵硬，运动迟缓和姿势不稳。 运动迟缓和僵硬的表现通常在疾病的早期。 这些对患者的笔迹和素描能力有显着影响，显微照相术已被用于帕金森氏病的早期诊断。 虽然人的笔迹受许多因素（例如语言熟练程度和教育程度）的影响，但发现绘制形状（例如螺旋形）是一种非侵入性且独立的措施。 怎么跑 python detect_parkinsons.py --dataset dataset/spiral python detect_parkinsons.py --dataset dataset/wave

anorectic.sav 在研究厌食/暴食行为的标准症状参照时，研究人员1对 55 名已知存在进食障碍的青少年进行了调查。其中每名患者每年都将进行四次检查，因此总观测数为 220。在每次观测期间，将对这些患者按 16 种症状逐项评分。但 71 号和 76 号患者的症状得分均在时间点 2 缺失，47 号患者的症状得分在时间点 3 缺失，因此有效观测数为 217。 统计分析及模型构建中常用的数据集、使用数据集可以对模型和算法进行快速验证，而且如果能够得到经典测试数据有助于我们复现大佬（巨佬）们提供的算法模型、达到实战联系的目的、真正从原理上开启数据分析、而不是纸上谈兵； 纽约时报的一篇文章报道，数据科学家在挖掘出有价值的“金块”之前要花费50%到80%的时间在很多诸如收集数据和准备不规则的数据的普通任务上。混乱的数据是数据科学家工作流中典型的比较耗费时间的。 常用的数据集可以帮助我们快速实验模型算法，因为他们都是被处理过的优质数据；

人类症状疾病网络 此文件夹包含用于将 MeSH 疾病和症状名称映射到其相应 MeSH ID 的文件。 Zhou等人的论文 。 创造了一个庞大的疾病和症状网络。 文件“Combined-Input.tsv”、“Symptom-Occurence-Input.tsv”和“Disease-Occurence-Input.tsv”取自本文的补充资料。 我们创建了新的输出文件，其中还添加了 MeSH ID。 是一个指向 python notebook 文件的链接，该文件将这些术语映射到它们各自的 ID。

Runtastic Heart Rate 心率测量 v1.3 版本：1.3软件语言：中文软件类别：医药 软件大小：8.22 MB适用固件：2.2及更高固件 内置广告：有广告适用平台：Android 软件介绍 随时检查你的心率 - 当你醒来时,在训练后,或在一个大的会议开始前. 这款Runtastic Heart Rate App能通过你的智能手机上的照相机很精准地测出你的心跳! 功能: * 通过智能手机上的照相机测量你的心率 * 以图表形式显示心率测量结果 * 多种测量形式 - 静息心率 - 最高心率 - 健身前后心率 * 上传测量结果到runtastic 健身网站www.runtastic.com,并对测量结果保存,分析 * 把你的测量结果分享到社交网络 - Google+ - Facebook - Twitter - 邮件 使用小贴士: * 把你的食指轻放在手机背面的摄像头上 * 不要太用力按, 否则血液循环会不精确而影响测量结果 * 保持镇静, 测量时身体不要过多移动,这个会影响测量结果 * 不要用冰凉的手指进行测试,因为血液循环不好会让测量结果不准确 * 如果你使用的智能手机没有闪光灯, 为测量结果的准确,请确认处在一个照明良好的地方