web APP的代码相对简单，门槛不高；花费也不多，更不需要像手机app等被各大平台限制，也不需要软件著作权。相对地，功能却很广泛，数据分析上可以把自己的数据分析套路固定成APP，节省分析的时间并分享给别人使用；机器学习和深度学习上以承载构建的模型并实现与用户的交流。随着AI时代的到来，在AI应用方面也会占有一定的地位。

通过建立小型医学数据库，可以方便地存储和管理医学数据，提高数据的管理和共享的效率，进而促进医学研究和诊疗水平的提升。在建立小型医学数据库时，应该考虑数据采集的标准化和一致性，以确保数据的可靠性和可分析性。同时，应该统一命名规范，减少命名的冗余和不必要的信息，提高数据的可读性和可维护性。以上是建立小型医学数据库的三个基本特点。通过这些步骤，用户可以方便地创建自己的医学数据库，并将数据进行共享和展示。

CDISC是临床数据交换标准协会（Clinical Data Interchange Standards Consortium）的缩写，是一个致力于制定和推广临床研究数据标准的非营利性组织。CDISC的目标是通过制定和推广数据标准，促进医学研究和相关医疗保健领域的信息系统互操作性，以提高医学研究和相关医疗保健领域的效率和质量。CDISC的标准包括：临床试验设计、数据收集、数据管理、数据分析、数据交

现在临床预测模型APP主要存在与网站上，需要联网进行访问，缺点是没有网路的情况下无法使用，和可能有一定的延迟，所以作为补充的一种形式是把临床预测模型布置到手机或者平板本地。本着这个想法投入到“如何将临床预测模型布置到移动端？”这方面的学习，起初以为业内可能已经有成熟的方法，...

目前为止，我们基本将预测模型和AI agent结合在一起：预测模型的主体是通过API完成；搭配健康小助手提供相对专业的治疗建议；单配知识库，提供定制的使用预测模型的注意事项，欢迎大家体验。

先前写了篇网文《零成本建立中小型医学数据库》，将自己对建立医学数据库的一些思考和大家分享，然而内容思考多于实践，最近有机会将自己的一些想法付诸于实践， 为临床科室建立小型的数据库，实践过程中，验证了之前文章中的一些想法，也对之前的一些想法进行了妥协， 也对建立医学数据库有一些新的了解。数据库采用MySQL作为载体这与之前的想法是一致的， 这次用的是windows系统， 之前考察的是xampp这个软

摘要： Boruta算法适合初步变量筛选，但需结合多重共线性处理（如VIF、相关性分析）和模型性能优化（如RFE、Lasso、树模型二次筛选）进一步精简特征。方法选择取决于场景需求：线性模型优先Lasso或VIF，非线性模型可用树模型重要性筛选，适配特定模型则推荐RFE。最终变量需兼顾统计显著性、模型性能与业务解释性，建议交叉验证不同方法结果并通过测试集确认。

2. 数据分析的自动化趋势。智能化和自动化是一直以来的趋势，变成现实，可能就在最近。首先，接触到是Boruta算法的流行，这是一个用机器学习模型进行相关变量筛选的算法，最早介绍是在2010年，替代的是传统的根据统计学方法结合临床重要性（主观因素），比如P值和Pearson相关性（热图），或线性回归方法，比如Lasso。回顾这半年学到的东西，最近体会到数据分析有智能化的趋势，体现在机器学习模型出现在

对比来说，这两种解释方式得到的结果有相似的地方也有矛盾的地方，特别是局部性解释。一时间如何看待这两种解释方法，以及他们之间的矛盾，一时还没有思路，留待以后更新。

该项目是一个慢病筛查项目，也是比较适合预测模型应用的一个领域，比院内应用的门槛要低一些，选择合适的数据集是关键。项目采用Python代码构建，完整代码可以参考一下链接：https://www.heywhale.com/mw/project/67a318f1414b53320e5e3727。