【佳學基因檢測】基于IoMT的線粒體和多因素遺傳疾病的機器學習預測

根據，國際有很高知名度基因檢測科學性證據雜志《》在第期發(fā)表了一篇標題為《基于IoMT的線粒體和多因素遺傳疾病的機器學習預測》的文章。該基因領域的臨床應用研究由Atta-Ur Rahman,?Muhammad Umar Nasir?,?Mohammed Gollapalli?,?Suleiman Ali Alsaif?,?Ahmad S Almadhor?,?Shahid Mehmood?,?Muhammad Adnan Khan?,?Amir Mosavi??完成。

基因信息數據庫索引號：

基因檢測人工智能數據標簽：?35909844和?doi: 10.1155/2022/2650742.?eCollection 2022.

基因解碼研究關鍵詞：

遺傳疾病,線粒體疾病,預測多因素遺傳疾病,母親基因缺陷,父親基因,過度流產

國際基因解碼證據鏈條標簽：

genetic disorder,mitochondrial diseases,multifactorial genetic disorders for prediction,defective maternal gene,paternal gene, excessive abortions

基因檢測臨床研究與應用結果介紹：

遺傳疾病是一種嚴重的疾病，影響著世界各地的大量個體。有多種類型的遺傳疾病，然而，基因解碼研究機構專注于預測線粒體和多因素遺傳疾病。遺傳疾病是由多種因素引起的，包括母系或父系基因缺陷、過度流產、血細胞缺乏和白細胞計數低。對于過早或青少年的生命發(fā)育，早期發(fā)現遺傳疾病至關重要。雖然很難提前預測遺傳疾病，但這個預測非常關鍵，因為一個人的生活進步取決于它。機器學習算法用于利用從大量患者醫(yī)療報告中收集和構建的數據集，以高精度診斷遺傳疾病。賊近進行了許多研究，使用基因組測序基因檢測進行疾病檢測，但使用患者病史的研究較少。使用患者病史的現有研究的正確性受到限制。本文提出的基于醫(yī)療物聯(lián)網 (IoMT) 的遺傳疾病預測模型使用兩種獨立的機器學習算法：支持向量機 (SVM) 和 K-賊近鄰 (KNN)。實驗結果表明，SVM 在正確性方面優(yōu)于 KNN 和現有的預測方法。 SVM 在訓練和測試方面的正確率分別為 94.99% 和 86.6%。

 遺產病基因測試