基于机器学习方法的慢性阻塞性肺疾病分期预测
【摘要】 目的:采用基于机器学习的分类判断算法，建立慢性阻塞性肺疾病（以下简称“慢阻肺”）分期模型，提高慢阻肺诊断和分期的准确度。方法:选择确诊慢阻肺住院患者2504例，以国际GOLD分期为依据，收集与慢阻肺分期密切相关的临床特征参数指标，对参数进行筛选，参照医院的临床确诊结果，采用机器学习方法（k-最近相邻法、SVM）训练并测试慢阻肺的分期模型。结果与结论:数据为不平衡数据，虽采用分层比例抽样，但针对此类数据SVM的准确率更高为85.26%。说明机器学习提供的模型能为慢阻肺分期提供较准确的分类依据。
