28個(gè)SpringBoot項(xiàng)目中常用注解，日常開發(fā)、求職面試不再懵圈
前言在使用SpringBoot開發(fā)中或者在求職面試中都會(huì)使用到很多注解或者問到注解相關(guān)的知識(shí)。本文主要對(duì)一些常用的注解進(jìn)行了總結(jié)，同時(shí)也會(huì)舉出具體例子，供大家學(xué)習(xí)和參考。注解
譯者 | 朱先忠
審校 | 重樓
在醫(yī)療保健領(lǐng)域，準(zhǔn)確預(yù)測(cè)即將到來的患者數(shù)量不僅對(duì)手術(shù)成功至關(guān)重要，也是一個(gè)非常棘手的問題。原因很簡(jiǎn)單：需要考慮的依賴性因素太多了——患者的嚴(yán)重程度和特殊要求、管理需求、檢查室限制、員工請(qǐng)病假、嚴(yán)重的暴風(fēng)雪等等。更糟糕的是，意外情況可能會(huì)對(duì)日程安排和資源分配產(chǎn)生連鎖影響，甚至可能與最高質(zhì)量的Excel項(xiàng)目預(yù)測(cè)結(jié)果產(chǎn)生矛盾。
從數(shù)據(jù)的角度來看，這些挑戰(zhàn)真的很有趣，因?yàn)樗鼈?/span>極其復(fù)雜，足夠你考慮一段時(shí)間的。但是，即使是輕微的改進(jìn)也可能帶來重大的勝利（例如，提高患者吞吐量、縮短等待時(shí)間、讓醫(yī)療保健提供者更快樂、降低成本等）。
那么，還有什么替代方案呢？Epic為我們提供了大量數(shù)據(jù)，包括患者何時(shí)赴約的實(shí)際記錄。在已知?dú)v史“顯示”和“未顯示”的情況下，我們可以在監(jiān)督學(xué)習(xí)的空間中操作，貝葉斯網(wǎng)絡(luò)（BN：Bayesian Networks）提供了很好的概率圖形模型來預(yù)測(cè)未來的訪問概率。
雖然生活中的大多數(shù)決定都可以通過一個(gè)輸入來決定（例如，考慮“我應(yīng)該帶雨衣嗎？”。假設(shè)外面下雨，那么這個(gè)決定應(yīng)該是“是”），但貝葉斯網(wǎng)絡(luò)可以很容易地處理更復(fù)雜的決策——涉及多個(gè)輸入的決策（例如，天氣潮濕，步行僅3分鐘，你的雨衣在另一層樓，你的朋友可能有傘，等等），具有不同的概率結(jié)果和依賴性。在這篇文章中，我將在Python語言環(huán)境中構(gòu)造一個(gè)超簡(jiǎn)單的貝葉斯網(wǎng)絡(luò)，它可以根據(jù)癥狀、癌癥分期和治療目標(biāo)這三個(gè)因素的已知概率，輸出患者在2個(gè)月內(nèi)到達(dá)的概率得分。
貝葉斯網(wǎng)絡(luò)的核心是使用有向無環(huán)圖（DAG）的聯(lián)合概率分布的圖形表示。DAG中的節(jié)點(diǎn)表示隨機(jī)變量，有向邊表示這些變量之間的因果關(guān)系或條件依賴關(guān)系。正如所有數(shù)據(jù)科學(xué)項(xiàng)目一樣，在一開始就花大量時(shí)間與利益相關(guān)者協(xié)商，以正確映射決策中涉及的工作流程（例如變量），這對(duì)于高質(zhì)量的預(yù)測(cè)結(jié)果是至關(guān)重要的。
因此，我將發(fā)明一個(gè)場(chǎng)景，讓我們與乳腺腫瘤合作伙伴會(huì)面，由他們來解釋三個(gè)變量——患者癥狀、癌癥分期和當(dāng)前治療目標(biāo)，對(duì)于確定患者是否需要在2個(gè)月內(nèi)預(yù)約至關(guān)重要。
（事實(shí)上，影響未來患者數(shù)量的因素不下幾十個(gè)，其中一些是單一或多重依賴性的，另一些則是完全獨(dú)立但仍有影響的）。
現(xiàn)在，假設(shè)我們同意如下工作流程：階段取決于他們的癥狀，但治療類型與癥狀無關(guān)，也影響到2個(gè)月內(nèi)的預(yù)約。
基于此，我們將從我們的數(shù)據(jù)源（對(duì)我們來說是Epic）中獲取這些變量的數(shù)據(jù)，該數(shù)據(jù)源將再次包含我們的分?jǐn)?shù)節(jié)點(diǎn)（Appointment_2months）的已知值，標(biāo)記為“是”或“否”。這種數(shù)據(jù)整理是一個(gè)重要部分；你需要根據(jù)這些變量在2個(gè)月前表明的情況，正確地捕捉2個(gè)月內(nèi)真正到達(dá)患者的病例。
# 安裝包import pandas as pd # 用于數(shù)據(jù)處理 import networkx as nx # 用于繪圖import matplotlib.pyplot as plt # 用于繪圖!pip install pybbn# 用于創(chuàng)建貝葉斯置信網(wǎng)絡(luò)（BBN）from pybbn.graph.dag import Bbnfrom pybbn.graph.edge import Edge, EdgeTypefrom pybbn.graph.jointree import EvidenceBuilderfrom pybbn.graph.node import BbnNodefrom pybbn.graph.variable import Variablefrom pybbn.pptc.inferencecontroller import InferenceController# 通過手動(dòng)鍵入概率創(chuàng)建節(jié)點(diǎn)Symptom = BbnNode(Variable(0, 'Symptom', ['Non-Malignant', 'Malignant']), [0.30658, 0.69342])Stage = BbnNode(Variable(1, 'Stage', ['Stage_III_IV', 'Stage_I_II']), [0.92827, 0.07173, 0.55760, 0.44240])TreatmentTypeCat = BbnNode(Variable(2, 'TreatmentTypeCat', ['Adjuvant/Neoadjuvant', 'Treatment', 'Therapy']), [0.58660, 0.24040, 0.17300])Appointment_2weeks = BbnNode(Variable(3, 'Appointment_2weeks', ['No', 'Yes']), [0.92314, 0.07686, 0.89072, 0.10928, 0.76008, 0.23992, 0.64250, 0.35750, 0.49168, 0.50832, 0.32182, 0.67818])上面代碼中，讓我們手動(dòng)輸入每個(gè)變量（節(jié)點(diǎn)）中對(duì)應(yīng)級(jí)別的一些概率值。注意，這些概率值沒有被猜測(cè)，甚至會(huì)是最好的猜測(cè)結(jié)果。不過，在實(shí)踐應(yīng)用中，您還將再次根據(jù)現(xiàn)有數(shù)據(jù)來計(jì)算對(duì)應(yīng)的頻率。
讓我們以癥狀（symptom）變量為例。我會(huì)得到它們的2級(jí)頻率值：大約31%是非惡性的，69%是惡性的，請(qǐng)參考下圖：
然后，我們考慮下一個(gè)變量Stage，并使用Symptom進(jìn)行交叉表計(jì)算，以獲得這些頻率。我們這樣做是因?yàn)殡A段（Stage）取決于癥狀（Symptom），因?yàn)?/span>它們每個(gè)變量都對(duì)應(yīng)兩個(gè)場(chǎng)景，所以它們實(shí)際上存在4個(gè)概率結(jié)果。
依此類推，直到定義了父子對(duì)之間的所有交叉表。
現(xiàn)在，大多數(shù)貝葉斯網(wǎng)絡(luò)包括許多父子關(guān)系，因此計(jì)算概率可能會(huì)變得乏味（而且非常容易出錯(cuò)），下面的函數(shù)可以用來計(jì)算與0、1或2個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的任何子節(jié)點(diǎn)的概率矩陣。雖然醫(yī)學(xué)洞見不能也不應(yīng)該被自動(dòng)化處理，但數(shù)據(jù)準(zhǔn)備部分的工作完全可以也應(yīng)該通過自動(dòng)化的方式來實(shí)現(xiàn)。
# 此函數(shù)有助于計(jì)算進(jìn)入BBN的概率分布（注意，最多可以處理2個(gè)父節(jié)點(diǎn)）def probs(data, child, parent1=None, parent2=None): if parent1==None: # 計(jì)算概率 prob=pd.crosstab(data[child], 'Empty', margins=False, normalize='columns').sort_index().to_numpy().reshape(-1).tolist() elif parent1!=None: # 檢查子節(jié)點(diǎn)是否有1個(gè)父節(jié)點(diǎn)或2個(gè)父節(jié)點(diǎn) if parent2==None: # 計(jì)算概率 prob=pd.crosstab(data[parent1],data[child], margins=False, normalize='index').sort_index().to_numpy().reshape(-1).tolist() else: # 計(jì)算概率 prob=pd.crosstab([data[parent1],data[parent2]],data[child], margins=False, normalize='index').sort_index().to_numpy().reshape(-1).tolist() else: print("Error in Probability Frequency Calculations") return prob 接下來，我們創(chuàng)建實(shí)際的貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)和網(wǎng)絡(luò)本身：
# 通過使用我們?cè)缙诘暮瘮?shù)自動(dòng)計(jì)算概率來創(chuàng)建節(jié)點(diǎn)Symptom = BbnNode(Variable(0, 'Symptom', ['Non-Malignant', 'Malignant']), probs(df, child='SymptomCat'))Stage = BbnNode(Variable(1, 'Stage', ['Stage_I_II', 'Stage_III_IV']), probs(df, child='StagingCat', parent1='SymptomCat'))TreatmentTypeCat = BbnNode(Variable(2, 'TreatmentTypeCat', ['Adjuvant/Neoadjuvant', 'Treatment', 'Therapy']), probs(df, child='TreatmentTypeCat'))Appointment_2months = BbnNode(Variable(3, 'Appointment_2months', ['No', 'Yes']), probs(df, child='Appointment_2months', parent1='StagingCat', parent2='TreatmentTypeCat'))# 創(chuàng)建貝葉斯網(wǎng)絡(luò)bbn = Bbn() / .add_node(Symptom) / .add_node(Stage) / .add_node(TreatmentTypeCat) / .add_node(Appointment_2months) / .add_edge(Edge(Symptom, Stage, EdgeType.DIRECTED)) / .add_edge(Edge(Stage, Appointment_2months, EdgeType.DIRECTED)) / .add_edge(Edge(TreatmentTypeCat, Appointment_2months, EdgeType.DIRECTED))# 將BBN轉(zhuǎn)換為連接樹join_tree = InferenceController.apply(bbn)現(xiàn)在，我們準(zhǔn)備好了一切。接下來，讓我們通過貝葉斯網(wǎng)絡(luò)運(yùn)行一些假設(shè)，并給出評(píng)估輸出。
首先，讓我們看看每個(gè)節(jié)點(diǎn)的概率，而不需要具體聲明任何條件。
# 定義打印邊際概率的函數(shù)#每個(gè)節(jié)點(diǎn)的概率def print_probs(): for node in join_tree.get_bbn_nodes(): potential = join_tree.get_bbn_potential(node) print("Node:", node) print("Values:") print(potential) print('----------------')# 使用以上函數(shù)打印邊際概率print_probs()輸出結(jié)果如下：Node: 1|Stage|Stage_I_II,Stage_III_IVValues:1=Stage_I_II|0.671241=Stage_III_IV|0.32876----------------Node: 0|Symptom|Non-Malignant,MalignantValues:0=Non-Malignant|0.693420=Malignant|0.30658----------------Node: 2|TreatmentTypeCat|Adjuvant/Neoadjuvant,Treatment,TherapyValues:2=Adjuvant/Neoadjuvant|0.586602=Treatment|0.173002=Therapy|0.24040----------------Node: 3|Appointment_2weeks|No,YesValues:3=No|0.776553=Yes|0.22345----------------上述情況表明，該數(shù)據(jù)集中的所有患者都有67%的概率為Stage_I_II，69%的概率為非惡性（Non-Malignant），58%的概率需要輔助/新輔助（Adjuvant/Neoadjuvant）治療，其中只有22%的患者需要在2個(gè)月后預(yù)約。
顯然，我們可以很容易地從沒有貝葉斯網(wǎng)絡(luò)的簡(jiǎn)單頻率表中得到這一點(diǎn)。
但現(xiàn)在，讓我們問一個(gè)更有條件的問題：考慮到患者患有階段=Stage_I_II和TreatmentTypeCat=Therapy，患者在2個(gè)月內(nèi)需要護(hù)理的可能性有多大。此外，考慮到醫(yī)療保健提供者對(duì)他們的癥狀一無所知（也許他們還沒有見過病人）。
我們將在節(jié)點(diǎn)中運(yùn)行我們所知道的正確內(nèi)容：
# 添加已發(fā)生事件的證據(jù)，以便重新計(jì)算概率分布def evidence(ev, nod, cat, val): ev = EvidenceBuilder() / .with_node(join_tree.get_bbn_node_by_name(nod)) / .with_evidence(cat, val) / .build() join_tree.set_observation(ev)# 添加更多證據(jù)evidence('ev1', 'Stage', 'Stage_I_II', 1.0)evidence('ev2', 'TreatmentTypeCat', 'Therapy', 1.0)# 打印邊際概率print_probs()上述代碼的執(zhí)行將返回如下內(nèi)容：
Node: 1|Stage|Stage_I_II,Stage_III_IVValues:1=Stage_I_II|1.000001=Stage_III_IV|0.00000----------------Node: 0|Symptom|Non-Malignant,MalignantValues:0=Non-Malignant|0.576020=Malignant|0.42398----------------Node: 2|TreatmentTypeCat|Adjuvant/Neoadjuvant,Treatment,TherapyValues:2=Adjuvant/Neoadjuvant|0.000002=Treatment|0.000002=Therapy|1.00000----------------Node: 3|Appointment_2months|No,YesValues:3=No|0.890723=Yes|0.10928----------------上面結(jié)果顯示，這個(gè)病人在兩個(gè)月內(nèi)到達(dá)的幾率只有11%。我們可以詢問我們變量的已知或未知特征的任何排列，以預(yù)測(cè)患者在2個(gè)月內(nèi)到達(dá)的概率。可以利用進(jìn)一步的算法和函數(shù)來收集許多患者或患者組的概率，或優(yōu)化這些概率。
Python代碼編寫是一回事，但貝葉斯網(wǎng)絡(luò)在提供可靠的未來就診估計(jì)方面的真正成功在很大程度上取決于患者護(hù)理工作流程的準(zhǔn)確映射。所有這些需要時(shí)間、談話和白板——而不是僅僅的編碼工作。這樣的信息取得甚至可能需要幾次數(shù)據(jù)挖掘，并與客戶重新接觸，以進(jìn)行壓力測(cè)試假設(shè)：“我們之前說過，護(hù)士導(dǎo)航儀總是在報(bào)告癥狀不佳后給患者打電話，但這種情況只發(fā)生了10%。下一次與患者交談是與他們的醫(yī)療服務(wù)提供者進(jìn)行的。”。
在類似的情況下，表現(xiàn)相似的患者通常需要類似的服務(wù)，并以類似的節(jié)奏進(jìn)入。這些輸入的排列，其特征可以從臨床到管理，最終對(duì)應(yīng)于服務(wù)需求的某種確定性路徑。但是，時(shí)間預(yù)測(cè)越復(fù)雜或越遠(yuǎn)，就越需要更具體、更復(fù)雜的具有高質(zhì)量輸入的貝葉斯網(wǎng)絡(luò)。
原因如下：
朱先忠，51CTO社區(qū)編輯，51CTO專家博客、講師，濰坊一所高校計(jì)算機(jī)教師，自由編程界老兵一枚。
原文標(biāo)題：Using Bayesian Networks to forecast ancillary service volume in hospitals，作者：Gabe Verzino
本文鏈接：http://www.www897cc.com/showinfo-26-13844-0.html利用貝葉斯網(wǎng)絡(luò)預(yù)測(cè)醫(yī)院服務(wù)患者數(shù)量
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識(shí)，若有侵權(quán)等問題請(qǐng)及時(shí)與本網(wǎng)聯(lián)系，我們將在第一時(shí)間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請(qǐng)聯(lián)系：2376512515@qq.com 津ICP備18001702號(hào)
津公網(wǎng)安備 12010102000574號(hào)