使用机器学习的动态风险评分预测心原性休克
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
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
通过开发一种基于 ECG 信号的深度学习算法,可以提高预测术后死亡风险的准确性,其鉴别能力优于修正心脏风险指数评分,患者风险等级可以帮助区分手术前死亡风险。该算法在多个手术类型的患者和两个独立医疗系统的患者中都有较好的表现。
Apr, 2022
在这篇论文中,我们提出了一种个性化的实时风险评分算法,基于病人的(时间性)实验室测试和生命体征提供及时和细致的临床状况评估,确保临床恶化的病人能够及时转入重症监护室,该风险评分系统通过从离线电子健康记录数据中学习一组潜在的患者亚型,并训练一组高斯过程 (GP) 专家,每个专家可以模拟与特定患者亚型相关的生理数据流,从而实现。
Oct, 2016
该研究使用基于机器学习算法的集成分类器框架,结合多种性能度量方法,对一个包含多国心血管疾病个体的大型数据集进行研究,获得了 92.34% 的准确率,较现有研究表现更佳。
Jun, 2023
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
使用现代可解释的机器学习技术设计准确可解释的死亡风险评分模型,通过评估医疗中心的风险,研究领域的泛化性,并开发了一种新的算法 GroupFasterRisk,其风险评分模型在设计灵活性上比黑盒机器学习模型优于传统风险评分模型。
Nov, 2023
本文采用深度学习技术,以多模态数据为特征预测 ICU 死亡率,在 MIMIC-IV 数据集上进行验证,结果显示平均 C 指数为 0.7829,明显优于基线 SAPS-II 特征 (0.7470) 并证明了已预定义标签 (2.00%)、文本特征 (2.44%) 和影像特征 (2.82%) 的贡献。
Jun, 2023
开发了一个可解释的机器学习系统,用于预测有心血管风险的患者中的慢性肾脏病,在全球解释性框架、生物医学相关性和安全性评估等方面具有突出优势。
Apr, 2024
该研究论文提出使用深度学习方法和特征增强技术评估患者是否有心血管疾病的风险,其结果优于其他最先进方法 4.4%,精度达到 90%,对于影响大量人口的疾病而言,这是一个显著的改进。
Feb, 2024