利用基于地理位置的公共卫生特征进行生存分析
应用不同的生存分析方法比较其性能,结果表明深度学习(DeepSurv)在歧视度和校准性方面表现最佳,而 AutoScore-Survival 则通过最小变量集实现了较好的性能和解释性。
Mar, 2024
我们提出了一个用于多个医疗数据所有者之间协作构建联邦评分系统的新框架,旨在确保隐私和通信效率,并在应用于新加坡和美国的急诊科的异质生存数据时证明了其更好的性能。
Mar, 2024
该研究提出了一种深度循环生存分析模型,结合了深度学习和生存分析,通过对每个样本的条件概率建模,捕获时间依赖性,预测真实事件发生的可能性并估计被审查数据的生存率,同时不需要假设任何特定形式的事件概率分布,在三个不同领域的实验中,该模型在各种度量标准下明显优于现有解决方案。
Sep, 2018
利用大规模人类流动数据来构建一种可以预测不同类型犯罪在各行政区划内发生年度数量的模型,并提高预测的准确性,并且对主要犯罪类别的预测特征进行了深入分析,为城市政策或执法部门提供了有价值的信息。
Jun, 2018
本研究旨在探讨电子健康档案 (EHR) 的生存分析问题,提出了一种新的 Hierarchical generative 方法称为 Deep survival analysis,该方法可显著优于使用临床验证的 Framingham CHD 风险评分来区分患者按照冠心病风险的风险等级,同时可扩展处理 EHR 中出现的异构(连续和离散)数据类型。
Aug, 2016
为了实现和评估公共卫生政策,我们利用机器学习技术开发了一个框架,从感染数据中提取流行病动态,其中包含一个结合了空间元胞自动机和时间易感 - 未诊断 - 感染 - 移除模型的县级时空流行病学模型,该模型显示了 CA-SUIR 模型在不同政策下的多级风险和冠状病毒传播模式。通过此研究,我们预测了德国 412 个区县的 COVID-19 流行病学水平,包括 t-day-ahead 风险预测和对旅行限制政策的风险评估。这种可干预的评估系统可以帮助决定经济重启和公共卫生政策制定。
Nov, 2020
我们提出了一种新颖的生存分析流程,既能解释模型预测结果,又能与最先进的生存模型竞争。通过改进的生存堆叠模型将生存分析问题转化为分类问题,使用 ControlBurn 进行特征选择,并使用可解释的增强学习机器生成可解释的预测结果。我们使用大型电子健康记录数据库预测心力衰竭的风险,该流程实现了最先进的性能并提供了关于心力衰竭风险因素的有趣且新颖的见解。
Oct, 2023
此研究针对加拿大埃德蒙顿市的各类紧急事件,通过数据收集、描述性分析、特征分析与选择以及建立预测模型,以不同时间和空间分辨率预测各类事件的发生概率,并对其与社会经济和人口数据的关联进行分析,结果显示模型在大部分事件类型上表现良好,可用于紧急救援服务部门的资源分配和规划,同时研究还发现 COVID-19 对事件发生和预测模型的精度有显著影响。
Feb, 2024
本文介绍了一种基于 Multi-Task Logistic Regression(MTLR)模型和深度学习架构作为核心的新方法,用于计算生存函数。该方法在所有实验中都表现优于 MTLR 和 Cox Proportional Hazard(CoxPH)模型,并且可以帮助企业预测客户购买产品、流失或贷款违约的时间,从而提高回报率。
Jan, 2018
本文提出了一种新的特征选择方法,使用季节性调整方法将时间序列分解成季节性、趋势和非正常组成部分,并针对每个组成部分构建预测模型,选择适当的搜索词预测每个组成部分,以精确和稳定地预测可疑疾病爆发。
Aug, 2020