Since a significant number of frequent laboratory blood tests are unnecessary and these tests may have complications, developing a system that could identify unnecessary tests is essential. In this paper, a value prediction approach is presented to predict the values of Calcium and Hematocrit laboratory blood tests for upper gastrointestinal bleeding patients and patients with unspecified hemorrhage in their gastrointestinal tract. The data have been extracted from the MIMIC-II database. By considering the issues of MIMIC-II in the process of data extraction and using expert knowledge, comprehensive preprocessing has been performed to validate the data. The first prediction system is developed using zero order Takagi-Sugeno fuzzy modeling and the sequential forward selection method. The results of this prediction system for target laboratory tests are promising. In the second proposed prediction system, patients are clustered using their comorbidity information before the final prediction phase. For each cluster, a medication feature is constructed and added to the data for the final feature selection. Although it was expected that clustering patients based on comorbidity data could improve the results of value prediction, the results were not improved in average. The reason for this could be the small number of abnormal laboratory test samples and their dispersion in clusters. These abnormal values would be more dispersed in the model with clustering phase, when they are scattered over different clusters.

由于不需要进行大量频繁的实验室血液测试，并且这些测试可能会带来并发症，因此开发一种能够识别不必要测试的系统至关重要。在本文中，提出了一种价值预测方法来预测上消化道出血患者和胃肠道未明确出血患者的钙和血细胞比容实验室血液检查的价值。数据已从MIMIC-II数据库中提取。通过在数据提取过程中考虑MIMIC-II的问题并利用专家知识，已进行了全面的预处理以验证数据。第一个预测系统是使用零阶Takagi-Sugeno模糊建模和顺序正向选择方法开发的。这个用于目标实验室测试的预测系统的结果是有希望的。在第二个建议的预测系统中，患者在最终预测阶段之前使用合并症信息进行聚类。对于每个聚类，将构建药物特征并将其添加到数据中以进行最终特征选择。尽管可以预期，根据合并症数据对患者进行聚类可以改善价值预测的结果，但结果的平均水平并未得到改善。造成这种情况的原因可能是少量异常实验室测试样品及其在簇中的分散。当这些异常值分散在不同的群集中时，它们会更分散在具有群集阶段的模型中。在最终预测阶段之前，使用合并症信息对患者进行聚类。对于每个聚类，将构建药物特征并将其添加到数据中以进行最终特征选择。尽管可以预期，根据合并症数据对患者进行聚类可以改善价值预测的结果，但结果的平均水平并未得到改善。造成这种情况的原因可能是少量异常实验室测试样品及其在簇中的分散。当这些异常值分散在不同的群集中时，它们会更分散在具有群集阶段的模型中。在最终预测阶段之前，使用合并症信息对患者进行分组。对于每个聚类，将构建药物特征并将其添加到数据中以进行最终特征选择。尽管可以预期，根据合并症数据对患者进行聚类可以改善价值预测的结果，但结果平均没有改善。造成这种情况的原因可能是少量异常实验室测试样品及其在簇中的分散。当这些异常值分散在不同的群集中时，它们将更分散在具有群集阶段的模型中。尽管可以预期，根据合并症数据对患者进行聚类可以改善价值预测的结果，但结果的平均水平并未得到改善。造成这种情况的原因可能是少量异常实验室测试样品及其在簇中的分散。当这些异常值分散在不同的群集中时，它们会更分散在具有群集阶段的模型中。尽管可以预期，根据合并症数据对患者进行聚类可以改善价值预测的结果，但结果的平均水平并未得到改善。造成这种情况的原因可能是少量异常实验室测试样品及其在簇中的分散。当这些异常值分散在不同的群集中时，它们将更分散在具有群集阶段的模型中。