医疗领域向数字化转型的过程中充分应用到了机器学期算法,并且取得了卓越的效果,所以将机器学习算法更加深入的融合到医疗领域中逐渐开始成为研究的焦点。在医疗领域中,急性阑尾炎是最常见的腹部急症之一,且与单纯性急性阑尾炎相比,复杂性急性阑尾炎治疗难度大、致死率较高。所以利用机器学习构建复杂性急性阑尾炎预测模型,加强复杂性急性阑尾炎筛选与预测是很有必要的。现有的算法针对复杂性急性阑尾炎预测有局限性,传统的机器学习算法训练时间快但预测精度不高。深度学习模型结构较为复杂,且训练需要大量数据,对计算资源和时间开销的要求高,现实应用中难以selleck产品部署。评分系统存在一定的主观性,不能进行客观的预测。单一标志物预测性能较低。针对上述问题本文将Mercer支持向量机运用到复杂性急性阑尾炎预测中,与传统支持向量机相比其性能更好的,因此提出一个以提高MSVM预测精度为优化目标的复杂性急性阑latent autoimmune diabetes in adults尾炎预测模型。对复杂性急性阑尾炎预测模型的优化分为两个部分:优化特征处理、利用群智能算法优化MSVM内部参数。第一部分,为了解决特征数量较大的问题,本文通过PCA算法对数据进行降维。第二部分,为了解决MSVM预测精度低的问题,采用HGS群体算法优化MSRAD001半抑制浓度VM内部惩罚因子和权重因子,并为验证其有效性进行了对比实验。第三部分,为验证本研究模型具有广泛性,选取了四个不同数据集进行验证。实验结果表明,在收集的358例长春市吉林大学第一医院近五年内急性阑尾炎数据集上,本文提出的PCA-HGS-MSVM预测模型在四个平价指标上都展现出了卓越的性能。