การใช้งานของการเรียนรู้เครื่องแบบที่ไม่ติดตาม ในการวิเคราะห์กลุ่มในผู้ป่วยที่มีอาการประสาท rheumatoi

แนวคิดการบริหารสุขภาพได้ลึกลงไปในใจของผู้คน และความรู้ด้านสาธารณสุขทางวิทยาศาสตร์ก็มีกระแสที่ได้รับนิยมอย่างต่อเนื่อง ซึ่งเป็นสิ่งที่น่าสนใจให้กับประชาชน. ผู้ป่วยเชื้อ rheumatoid arthritis (RA) พบกับอันตรายสูงสุดของการเกิด โรคโรคมะเร็ง CVD, อย่างไรก็ตามเครื่องมืออัตราค่า 10 ปีที่มีอยู่มาตรฐานแสดงผลไม่ดี. จากการศึกษาครั้งนี้ ได้มีการรวมผู้ป่วย RA ที่ตรงมากับ มาตรฐานประเภท ACR/EULAR 2010 และติดตามอัตราของโรค MACE มากกว่า 5 ปี ในเดือนมกราคม 2019 โดยด้วยวิจัยนี้ เราได้ประเมินคุณสมบัติของการเรียนรู้แมชชีนโดยไม่ควบคุม (uML) การแบ่งกลุ่มในการระบุรูปแบบเชื้อรังของผู้ป่วย AR ชนิดหนึ่ง พร้อมทั้งทําการติดต่ออัตรา ของโรค MACE กว่า 5 ปี เพื่อให้มีหลักเกณฑ์ทางวิทยาศาสตร์และวิธีเฉพาะเจาะจงเพิ่มขึ้น ในการบริหารพยาธิสําหรับผู้ป่วย RAE ข้อมูลคลินิก (รวมทั้งปัจจัยความเสี่ยงของCV และประมาณการ SCORE2) และข้อมูลสากล (รวมถึงปัจจัยอันตรายของ CV และประมาณงานSCORE2) ได้ถูกรวบรวม. Bootstrapized eigenvalue distribution determined the number of FAMD components for clustering, followed by Hierarchical Clustering on Principal Components using Ward's criterion and Euclidean distance . An XGBoost model a. ต้องการแสดงให้เห็นว่าเนื้อหาดังกล่าวถูกจัดทําตามผลงานการวิจัยที่เปิดเผยระหว่างประเทศ เพื่อนํามาใช้ใน HealthCop และไม่ใช่คําแนะนําทางคลินิกิสิค