如何计算我的候选者?诊断计算算法的分类和分类
通过使用语义相似性算法,考虑到并发症变异,本研究比较了 80 种已建立的算法在以 ICD 代码集为基础的语义相似性方面的表现,结果显示目前的语义相似性算法在考虑到并发症变异时表现良好,并且达到了与专家基本事实的相关性为 0.75 的最佳结果。
Aug, 2023
通过将 Reiter 理论泛化为对任何类型系统和诊断的无知论,我们定义了基于首要原则的最小诊断,它将最有可能的诊断候选集合在一个假设搜索空间中。在相对温和的假设下,我们的算法能够正确计算首选的诊断候选集合。尽管搜索空间不再是幂集,与 Reiter 理论不同,我们的理论的适用性更广,并且在实际问题中实现的两个算法能够解决现有诊断方法无法解决的示例。
Sep, 2023
本文介绍了一种用于 ICD 编码的多阶段 “检索和重排序” 框架,通过混合离散检索方法和对比学习,在一个简化的标签空间中使模型能够更准确地预测,实验结果显示该方法在 MIMIC-III 基准测试上达到了最先进的性能水平。
May, 2024
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
本论文旨在研究用于文学文本主题相似性捕捉的最佳方法,比较了三种步骤的算法:文本预处理,特征提取和度量特征列表之间的距离,在这些步骤中包括了各种选项,并测试了所有可能的组合,从而确定了用于计算主题分析的最佳和最差组合。
May, 2023
本研究提出了一种基于三方决策的疾病诊断方法,包括量化分析、定性分析和基于评估的分析,并可以将疾病分类成三种不同的重要程度级别,该方法可作为一种辅助手段与基于手册的精确诊断工具一起使用,从而提高诊断精度。
Dec, 2022
计算机辅助诊断是一个快速发展的医学成像研究领域。本文综述了在计算机辅助诊断中应用机器学习和模式识别的算法,以检测包括肝炎、糖尿病、肝病、登革热和心脏疾病在内的多种疾病,以提高疾病检测的精确性和支持决策过程的客观性。
Jul, 2023
本研究的主要目标是使用机器学习技术中的随机森林分类器等方法精确识别阿尔茨海默病,使用其中 30 个指标中的 4 个指标,成功地在近 94% 的病例中识别出该病。
Dec, 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
研究了一种概率模型用于多种疾病的诊断,通过 quick score 算法可以计算出每种疾病的后验概率,并在 Quick Medical Reference(QMR)上得到了应用和性能结果。
Mar, 2013