医疗保健分析
存储库内容：
Python Notebook文件包含用于数据探索，功能工程和机器学习模型（朴素贝叶斯，XGBoost，神经网络）的项目代码。
PDF报告文件包含项目，谓词和结果的概述。
Datasets.zip包含项目中使用的测试和训练数据。
HTML文件是jupyter笔记本的降价促销，其中所有输出均无需使用python或其IDE即可查看。
介绍：
医疗机构承受着越来越大的压力，以改善患者的护理效果并获得更好的护理。 尽管这种情况是一个挑战，但它也为组织提供了一个机会，可以利用其数据中的更多价值和洞察力来显着提高护理质量。 医疗保健分析是指使用定量和定性技术对数据进行分析，以探索所获取数据中的趋势和模式。 尽管医疗保健管理使用各种指标来衡量绩效，但患者的住院时间很重要。
能够预测住院时间（LOS），使医院能够优化其治疗计划以减少LOS，从而降低患者，工作人员和
2021-12-21 13:48:38
6.64MB
1
该数据集旨在允许测试不同的方法，以检查与使用对比度和患者年龄相关的CT图像数据的趋势。基本思想是识别与这些特征密切相关的图像纹理，统计图案和特征，并可能构建简单的工具，以便在对这些图像进行错误分类时自动对这些图像进行分类（或查找可能是可疑情况，测量错误或机器校准不良的异常值） ）
overview.csv
CT Medical Images_datasets.txt
CT Medical Images_datasets.zip
2021-12-21 10:31:52
249.93MB
1
糖尿病预测：使用Cima决策树算法和K-最近模型，根据患者的实验室测试结果变量（例如葡萄糖，血压等），使用Pima Indians糖尿病数据集来预测患者是否患有糖尿病。 Python-Scikit学习，SciPy，熊猫，MatPlotLib
2021-12-16 17:10:02
1.87MB
1
心衰预测
分类项目可根据某些患者属性预测由于心力衰竭导致的死亡。
2021-12-16 15:32:44
412KB
1
癫痫发作检测
该存储库包含“深度学习”项目的代码，用于识别癫痫诊断患者的异常脑电图。
参考
ChronoNet：用于异常EEG识别的深度递归神经网络
如果您发现存储库中的代码很有用，请使用以下命令将其引用：
@misc{chitlangia2021epileptic,
author = {Chitlangia, Sharad},
title = {Epileptic Seizure Detection using Deep Learning},
year = {2021},
publisher = {GitHub},
journal = {GitHub repository},
howpublished = {\url{https://github.com/Sharad24/Epileptic-Seizure-Detection/}},
}
2021-12-10 16:28:51
3.42MB
1
背景：CHF（充血性心力衰竭）是世界上最重要的死亡和发病原因之一。 诸如螺内酯之类的利尿剂可以减少CHF患者的肺部充血并减少纤维化程度。 目的是评估螺内酯是否可以降低呼吸道阻力，我们是否可以通过脉冲示波法定量追踪利尿剂治疗心力衰竭患者的效果。 方法：该临床试验在阿瓦兹教学医院进行。 除了常规症状的药物治疗外，在服用螺内酯的1个月之前和之后，通过脉冲示波法评估了24例充血性心力衰竭（CHF）患者，其分类为II-IV级功能性，EF <40％。 所有数据均通过16号SPSS软件进行分析。结果：患者年龄为61±10岁，对照年龄为57±7岁。 螺内酯前后的示波数据分别为X5（-0.14±0.05 vs -0.14±0.05，P：0.93），R5（0.39±0.21 vs 0.39±0.15，P：0.35），X20（-0.04±0.06 vs -0.06） ±0.06，P：0.37），R20（0.04±0.03 vs 0.06±0.06，P：0.37），Zrs（0.39±0.21 vs 0.39±0.15，P：0.35）。 结论：CHF患者使用环磷内酯1个月比对照组有降低外周气道阻力的趋势。 尽管
2021-12-03 11:04:16
291KB
1