机器学习在围手术期患者护理中的应用
通过快速处理能力,检测易被忽视的隐藏模式使得机器学习 (Machine Learning, ML) 在今天的医疗系统中不可或缺。本研究的目标是在不同医疗领域简洁有效地收集 ML 应用,并以表格形式提供相关参考文献和描述,以便立即获取必要信息。我们将研究分为五个主要组别:社区层面工作、风险管理 / 预防护理、医疗运营管理、远程护理和早期检测。我们的目标是向人们介绍机器学习在医疗行业的适用性,缩小临床医生对机器学习应用的知识差距,并推动医疗专业人员更多地基于机器学习的医疗系统。
Jul, 2023
该研究提出了利用来自公开可用的激痛医学信息库(MIMIC-III)数据集的四个临床预测基准,旨在解决机器学习在医疗保健研究中缺乏公开可用基准数据集的问题。
Mar, 2017
首次提出了一种基于软件和计算机视觉技术的完全自动化手术方法,通过检测卵巢子宫内膜异位症疾病的手术相关性,提出了一种更详细的算法,证明了我们提出的方法的可行性,其中使用 U-net 在手术过程中检测子宫内膜异位症。
Nov, 2023
通过深入研究深度学习模型在医疗解决方案中的部署,本研究旨在探讨在医疗系统中使用的深度学习方法,包括前沿的网络设计、应用和市场趋势,以及当前未解决的问题和潜在方向。
Oct, 2023
综合评估医疗机器学习的基准,提出一种基于医学信息志 (MIMIC-III) 的基准,让我们可以直接比较预测性能,并评估生存率、住院时间、表型和患者恶化任务的进展。我们发现,在这些任务上,尽管社区参与度高,但在过去的三年里,几乎没有真正显著的进展。通过我们的元分析,我们发现,深度递归模型的性能仅在某些任务上优于逻辑回归。最后综合这些结果,提出未来医学机器学习基准所需的理想特性。
Oct, 2020
该论文阐述了电子病历(EHR)提供数据以回答临床相关问题,EHR 中不完整的标签、供建多个基础病因的疾病和健康人群缺乏等问题给机器学习在临床应用中带来的挑战,并强调了机器学习在医疗保健中发挥作用的机会。
Jun, 2018
该研究论文介绍了一种新颖的基于人工智能算法的病人分诊方法。通过分析病人数据决定其优先级,该算法能够准确地将病人分类为相应的分诊类别,并在实验中表现出较高的准确性和性能,相较于传统的分诊方法具有更高的效率、准确性和一致性,从而优化资源配置并提升医疗卫生服务的质量和病人的治疗效果。
Oct, 2023