Resumen

Para mejorar la profundidad de la excavación y promover la inteligencia de la compatibilidad de los acupuntos, se propone un método de construcción de redes ponderadas, que combina los atributos de los acupuntos y el aprendizaje supervisado, para la predicción de vínculos. Se estandarizan los casos médicos de espondilosis cervical con tratamiento de acupuntura y se construye una red ponderada según los atributos de los acupuntos. Se extraen múltiples características de similitud de la red y se introducen en un modelo de aprendizaje supervisado para la predicción. Además, se evalúa el rendimiento del algoritmo mediante indicadores de evaluación. Finalmente, el experimento seleccionó 67 casos médicos elegibles, y el modelo de red incluyó 141 nodos acupoint con 1.048 bordes. Exceptuando el índice de similitud Preferential Attachment y el modelo Decision Tree, todos los demás índices de similitud funcionaron bien en el modelo, entre los cuales la combinación del índice PI y el modelo Multilayer Perception tuvo el mejor efecto de predicción con un valor AUC de 0,9351, lo que confirma la viabilidad de las redes ponderadas combinadas con el aprendizaje supervisado para la predicción de vínculos, también como un fuerte apoyo para la selección de puntos clínicos.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:predicción de enlaces, aprendizaje supervisado, índice de similitud de apego preferente, modelo de árbol de decisión, modelo de percepción multicapa, características de similitud múltiple, mejor efecto de predicción, selección de puntos clínicos, casos médicos elegibles, otros índices de similitud.
• Keywords:link prediction, supervised learning, Preferential Attachment similarity index, Decision Tree model, Multilayer Perception model, Multiple similarity features, best prediction effect, clinical point selection, eligible medical cases, other similarity indexes