运用机器学习构建慢性肾炎中医辨证智能模型及内部验证

目的：基于机器学习的方法构建慢性肾炎中医智能辨证模型。方法：检索知网、万方、维普、中国生物医学文献服务系统、古今医案云建库至2023年3月公开发表慢性肾炎相关医案文献。建立慢性肾炎中医医案信息数据库，然后将数据按7:3划分成为训练集和验证集。运用决策树（Decision Tree， DT）、随机森林（Random Forest， RF）、极限梯度提升（eXtreme Pidnarulex化学结构Gradient Boosting， XGBoost）、支持向量机（Support Vector Machine，SVM）、K最邻近节点算法（K-Nearest Neighbor ，KNN）、BP神经网络（Back Propagation Neural Network，BPNN）对训练集进行模型构建与超参数调优，并通过验证集对模型进行内部验证。结果：最purine biosynthesis终得到Telaglenastat786个医案数据，决策树的准确率81.5%，随机森林的准确率85.4%，极限梯度提升的准确率83.7%，支持向量机的准确率85%，K最邻近节点算法的准确率62.2%，BP神经网络的准确率72.1%。结论：随机森林对慢性肾炎证型的判定推断最准确，人工智能应用于慢性肾炎中医辨证方法学上可行。