本文介绍了一种高效的模型诊断过程,针对具有输入输出因果关系的系统。在此诊断过程中,首先确定一组可能破损的组件的焦点;其次,在焦点内确定最具信息的探测点。该诊断过程在组件的连通性低时表现出线性时间复杂度,并可应用于动态系统和包含循环的系统中,可选择检测间歇性故障或通过假定非间歇性来提高诊断精度。
Sep, 2022
通过在 MIMIC-III 数据集中提取患者特征,本研究使用 43 种不同的机器学习分类器预测 ICD-9-CM 代码,并发现疾病患病率下降对分类器 F1 评分有影响。
Jun, 2020
利用无监督机器学习从电子健康记录推断潜在病因,学习临床疾病模式,提高对疾病的诊断准确性。
Feb, 2024
利用三阶段数据驱动方法,通过 COVID-19 症状和其内在人口变量的因果关系、相似性聚类和人口症状识别模型,揭示了病毒症状之间的关系,并为减轻病毒严重程度提供了见解。
Jun, 2024
在动态医院环境中,决策支持是提高患者结果的有价值工具,本研究设计了一个概率无监督模型用于医院电子病历数据中包含的多个任意长度的序列,包括诊断、实验室检查、神经评估和药物,通过推断算法可以预测序列的长度和特定值的出现。
Mar, 2024
文章提出了一种基于监督学习和神经网络模型的逻辑正则化方法来改善症状检查系统,在真实和合成数据上都取得了最佳的诊断准确度。
Jun, 2022
通过研究稳健学习算法并将其应用于传染病风险的预警,本项目提出了一种动态截断损失模型,将传统的互信息隐式权重特征与平均变异特征相结合,通过降低受噪声影响的训练结果引入训练损失的下界和基于采样率的方法,验证了该方法在不同噪声类型下的有效性,并实现了包含标签噪声数据的稳健学习。
病人的风险模型可以通过建模不确定性来了解患者的风险,该模型利用患者的生命体征、实验室值、之前的病史等特征来进行评估,但没有诊断信息。
Jun, 2023
本研究提出了一个基于猜测编程理论的 FastDiagP 并行化诊断算法来改善 FastDiag 算法的性能问题,该算法通过预测需求提前执行一部分计算来提高性能,并在 Linux-2.6.3.33 配置知识库中得到了实证结果验证。
May, 2023
该论文提出了一种可扩展的工作流程,在利用包括 NLP、AutoML 和 Clinician-in-the-Loop 机制在内的技术,从 EHR 的结构化和非结构化的文本记录中构建机器学习分类器来评估患者。在 MIMIC-III 数据集上进行的案例研究表明,该提议的工作流程在识别患有卵巢癌、肺癌、癌症恶病质和狼疮性肾炎等疾病的病人方面表现出更高的分类性能,并且可以发现更多的由编码问题所引起的未编码患者。
May, 2022