心电图深度学习预测术后死亡率
该研究展示了一种单一模型在急诊科收集到的心电图数据上具备预测多种心脏和非心脏病症的能力,并提出将该模型作为筛查工具并纳入综合临床决策支持系统来高效地对患者进行分诊。研究强调了全面的心电图分析算法和开放式 MIMIC-IV-ECG 数据集的卓越性能,推动了心电图分析领域的重大进展。
Dec, 2023
本文提出一种使用机器学习从原始心电图 (ECG) 信号学习患者心血管死亡风险的方法,该方法通过采用多元实例学习框架从原始 ECG 信号中学习表征,并在 5000 名患者数据集上证明其可以准确地预测患者在 30、60、90 和 365 天内心血管死亡风险,优于现有的风险因子评估方案。
Dec, 2018
研究使用大型医院拥有的心电图数据库来建模和预测患者死亡率,通过与两种神经网络架构比较四种深度存活建模方法以及在一到十年内的绩效评估,结果表明 AUROC 和协调性得分与以往工作相当(约 0.8),考虑到与死亡率相关的心电图样本的比例(MIMIC-IV:27%,Code-15:4%),AUPRC 得分合理(MIMIC-IV:0.4-0.5,Code-15:0.05-0.13)。
Jun, 2024
该研究调查了树模型在长期死亡预测上的表现,并研究了两种近期引入的生物标志物对长期死亡的影响。研究采用来自中国台湾卫生福利部的 CCHIA 公开数据,以及从 139 例急性心肌梗死患者收集的医学和人口统计学数据,使用先进的集成树模型算法预测了 14 年内的全因死亡率,并发现添加生物标志物后算法的性能有所提高,可更好地为高风险个体确定治疗优先级。
Mar, 2024
通过神经网络模型识别出心电图中无明显房颤迹象但将来可能发展成房颤的患者,并使用生存模型确定了高风险和低风险患者的发病概率,为房颤风险评估提供了有价值且实用的决策辅助信息。
Sep, 2023
本研究提出了一种基于多任务循环神经网络和注意机制的方法,用于预测心血管事件。与标准的临床风险评估模型相比,该模型在预测中风和心肌梗死方面具有更好的性能,并且在短期内的预测效果可以通过使用多任务学习得到提升。同时,该研究还探讨了个体特征和注意力权重对于预测心血管事件的重要性,并证明了机器学习技术可以被应用于二级保健。
Jul, 2020
本研究使用卷积神经网络进行深度学习,尝试从两个医疗系统的大型超声心动图数据集中预测患者的年龄、种族和性别,并评估影响因素的变化。结果表明,深度学习模型可以较准确地预测年龄和性别,但未能可靠地预测种族。该研究进一步说明了医疗人工智能中存在的偏见和不公平问题。
Jul, 2022
多任务深度学习模型用于冠状动脉计算机断层扫描(CCTA)患者风险分层和下游测试选择。模型在冠状动脉疾病风险分层和预测下游测试方面取得了良好的准确性,并能在临床实践中对风险分层和治疗带来新的变革。
Sep, 2023
本研究利用回溯检验提取的两个队列,发展了一种新的伪动态机器学习框架,用于重症监护病房的死亡预测,实现了可解释性和临床风险分析,并成功地结合了时间序列生理测量技术,从而能够提供时间分辨率的解释结果。
May, 2023
使用深度学习模型将临床参数、心电图特征、心脏功能评估参数和 SPECT MPI 的极地图相结合,预测心脏重同步治疗的患者反应,对于预测预后具有较高准确性。
May, 2023