Apr, 2023

预测急性肾损伤发生前的自动化动态贝叶斯网络

PDF
TL;DR使用统计方法比较变量排序、生成的网络拓扑和动态贝叶斯网络性能，提供较少动态贝叶斯网络经验的使用者端一种自动定序架构并学习网络的方法，并在预测急性肾损伤方面进行了案例研究。
dynamic bayesian networksranking approaches for unknown structuresacute kidney injuryelectronic health recordvariable ordering
发现论文，激发创造
  • 非重症患者急性肾损伤预测：回顾性外部和内部验证研究

    急性肾损伤（AKI）预测的深度学习与传统机器学习模型间的比较及其在不同医疗机构的性能验证。

    Feb, 2024

  • 利用选择性状态空间模型预测急性脑功能障碍状态的多队列研究

    使用电子健康档案数据动态预测重症监护病房中患者的急性脑功能障碍、昏迷和死亡的研究。通过比较神经网络模型 MAMBA 和 Longformer Transformer 的预测性能，作者在 12 小时内对急性脑功能障碍的预测取得了 0.95 的平均 AUROC，并在不同状态间的转变预测方面取得了 0.79 的平均 AUROC。

    Mar, 2024

  • 基于 Transformer 模型的急性脑功能障碍预测

    本文研究利用机器学习算法和电子病历数据建立一个新的系统，用于实时预测 ICU 病人急性脑功能损伤并进行分类，包括昏迷、谵妄、死亡和正常，该系统能大幅度减少与急性脑功能损伤相关的事故，缩短 ICU 病人住院时间、减少医疗成本和病亡率。

    Mar, 2023

  • 基于集成学习和可解释人工智能的 AI 驱动的慢性肾脏病早期预后预测分析方法

    使用集成学习和可解释的人工智能来视觉化慢性肾脏疾病的主要特征、特征得分和价值，提高对该疾病早期预测和检测的准确性，为临床医生开处方推荐个体患者的生活方式改变以减缓疾病进展提供帮助。

    Jun, 2024

  • 利用贝叶斯网络结构学习研究败血症潜在原因

    通过结合临床专业知识与基于评分、基于约束和混合结构学习算法，该研究研究了可能受政策决策影响的败血症潜在原因的潜在因果结构，并发现慢阻肺、酒精依赖和糖尿病等风险因素的存在会增加患者患败血症的可能性，从而对政策具有潜在影响。通过评估模型在预测败血症方面的能力，发现共识模型的预测准确度、敏感度和特异度均在 70% 左右，AUC 为 80%，说明该模型的因果结构在只使用可供委托目的的数据训练的情况下是相当准确的。

    Jun, 2024

  • 高风险心血管患者慢性肾脏病预测的可解释机器学习系统

    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

  • 使用索赔数据的机器学习动态预测慢性肾脏病患者透析治疗的发生

    本研究利用机器学习模型，动态识别慢性肾脏疾病患者，预测其是否需要肾脏替代治疗，可提前至一年。在研究中，我们对近三百万医保受益人进行了超过八百万次预测，证明该模型可实现超过 90％的灵敏度和特异度。该研究为筛查患者并进行早期干预以改善肾脏替代治疗成果提供了基础。

    Sep, 2022

  • 利用动态贝叶斯网络和神经网络对新冠病毒患者的病情严重程度进行分类

    本文使用动态贝叶斯网络和神经网络结合的方法，预测患者 40 小时内的生命体征和血液分析结果，并分类评估其疾病严重程度，以便将更有限的资源分配给需要重症监护的患者。

    Mar, 2023

  • 基于深度学习的 ICU 早期预警的普适性：一项回顾性实证评估

    本研究使用四个数据来源的数据，评估深度学习模型在不同医院的准确性，在模型性能方面，多数据来源模型表现相当，明确优化模型的方法并没有显著提高性能。

    Mar, 2023

  • AKI-BERT：一个用于急性肾损伤早期预测的预训练临床语言模型

    本文旨在利用基于 BERT 的 AKI-BERT 模型进行早期预测，增加了 BERT 模型在疾病特定领域的应用，通过对 MIMIC-III 数据集的实验，证明了该模型在 AKI 早期预测方面的性能有所提高。

    May, 2022