May, 2023

基于常规血液检测值的机器学习模型区分病毒和细菌感染

PDF
TL;DR为应对抗生素耐药性的日益严峻，该研究发展了一种 “病毒对细菌” 机器学习模型，使用 16 种常规血液检测结果、C - 反应蛋白水平、生物性别和年龄来区分这些感染类型，证明了该模型在诊断决策方面表现出更高的准确性和诊断价值。
发现论文，激发创造
  • 锐性感染和脓毒症的基于血液的诊断和预后的机器学习分类器开发

    我们应用机器学习技术解决急性感染和败血症快速准确诊断和预后的医学需求，通过测量患者血液中 29 种信使 RNA 的丰度作为机器学习的特征，并通过分类器将这些特征转化成直观的检测报告，包括细菌感染、病毒感染和病情严重程度的区分。在内部验证中，该系统在三种疾病诊断（细菌感染、病毒感染或未感染）上实现了 0.83 的 AUROC 值，在疾病严重程度的二元预测上实现了 0.77 的 AUROC 值。该系统已经获得了美国食品药品监督管理局（FDA）的突破性设备认定，本工程手稿介绍了用于将学术研究概念转化为临床产品的标准和新颖机器学习方法，并讨论了相关经验教训。

    Jul, 2024

  • 基于不同人工智能方法的血液检测参数的新冠病毒检测

    本研究旨在使用自分类分类器，结合各种人工智能方法，通过血液检测样本和放射学图像将 COVID-19 患者与其他人区分开。提出的模型在数据集上实现了 94.09％的准确率，并在更短时间内提供结果。此外，还将放射学图像分为四类，并通过提取肺叶并进行分类来实现了 91.1％的准确率。总的来说，本研究强调了人工智能在 COVID-19 的检测和管理中的潜力，并强调了在该领域继续进行研究和发展的重要性。

    Apr, 2024

  • 机器学习模型对医院获得性感染早期检测的比较分析

    研究了两种用于早期检测医院获得性感染的模型：感染风险指数 (IRI) 和呼吸机相关性肺炎 (VAP) 预测模型，在比较分析这两种模型的基础上，得出了并行疾病特定模型的部署方法。

    Nov, 2023

  • 利用机器学习技术鉴定不同皮肤和软组织感染患者的抗生素耐药性

    通过机器学习模型，结合临床和抗生素敏感性测试数据，预测抗生素耐药性，并建立了相关性分析方法

    Feb, 2022

  • 利用机器学习分类算法预测 COVID-19 患者的康复或死亡情况

    COVID-19 研究，利用人工智能和机器学习算法进行快速和准确的诊断以及通过临床数据对患者的预后进行预测。同时，调查了临床和 RT-PCR 对预测病患康复和死亡的影响，并发现机器学习在预测康复和死亡方面是可行的。

    Nov, 2023

  • 使用常规血液指标和 LogNNet 神经网络诊断和预测 COVID-19 疾病

    利用 backward feature elimination 算法及 LogNNet 模型，筛选出对 COVID-19 诊断与预后最有效的常规血常规指标，进而减轻医疗压力、促进健康监测系统发展。

    May, 2022

  • 机器学习增强的诊断测试用于识别测试性能变异的源泉

    利用机器学习技术评估病毒检测的情境风险，以提高诊断测试的敏感度，预测牛结核引起牛群病情恶化的发生率，而不损害测试的特异性。

    Mar, 2024

  • ICU 接受感染性休克患者伴细菌血症和非细菌血症的临床特征和实验室生物标志物

    评估了实验室生物标志物的预测能力，构建了研究了血流感染的预测模型，发现血流感染与死亡率高度相关。

    Nov, 2023

  • 利用机器学习对孟加拉国人口进行冠状病毒疾病情况分析和预测研究

    该研究使用机器学习模型创建了一个预测系统，旨在预测孟加拉国未来几天内的感染率和死亡率，并发现多层感知器模型具有比支持向量回归 (SVR) 和线性回归模型更可靠的预测能力。根据该模型的预测，孟加拉国可能面临另一次 COVID-19 攻击，其中感染案例数可能在 929 至 2443 之间，死亡案例数在 19 至 57 之间。

    Jul, 2022

  • 现代机器学习预测模型在传染病诊断中的应用

    通过对使用机器学习算法诊断传染病的最新研究文章的综述，我们发现大多数文章使用小数据集，结论表明合适的机器学习技术取决于数据集的类型和预期目标。

    Jun, 2022