使用数据驱动的机器学习模型预测后 COVID-19 患者的心血管并发症
这项研究揭示了 COVID-19 后遗症患者中长期神经并发症的普遍性,并展示了机器学习在预测结果方面的潜力,从而为改善患者管理和促进更好的健康结果做出了贡献。
Sep, 2023
本研究利用先进的机器学习算法,对来自伊拉克多个地区在 2021 年至 2023 年期间的 821 名新冠肺炎康复患者进行长期肾功能损害的风险预测。研究结果可能通过早期识别和干预高风险患者,改善临床结果,并为新冠肺炎患者的护理和生活质量提供宝贵的见解。
Sep, 2023
利用人工智能和机器学习技术分析和预测 Post-COVID-19 综合征中的多器官功能障碍的应用,以提高早期诊断和管理此复杂情况的效果,进而改善患者的疗效和生活质量。
Sep, 2023
利用机器学习技术识别与 COVID-19 后心理健康障碍相关的风险因素,结果显示年龄、性别、居住地区、合并症和 COVID-19 病情严重程度是影响 COVID-19 后患者心理健康障碍发生的重要因素,并且心理社会因素如社会支持、应对策略和感知压力也起到了重要作用。这些发现强调了多个因素在 COVID-19 康复后心理健康障碍发展中的复杂相互作用,医疗服务提供者和决策者在制定有针对性的干预和支持系统时应考虑这些风险因素。机器学习方法在预测和预防 COVID-19 后不良心理健康结果方面提供了有价值的工具。需要进一步的研究和前瞻性研究来验证这些发现,并增进对 COVID-19 大流行长期心理影响的理解。本研究为 COVID-19 大流行的心理健康后果方面的知识积累做出了贡献,强调了以多学科为基础的方法来满足康复个体多样化需求的重要性。
Sep, 2023
心血管疾病与吸烟、血压升高和胆固醇水平的关联突出了这些危险因素的重要性。本研究使用六种不同的机器学习模型进行比较分析:Logistic 回归、支持向量机、决策树、包装法、XGBoost 和 LightGBM。结果表明,XGBoost 作为表现最佳的模型,显示了提高冠状动脉梗塞预测精确性的潜力。
Nov, 2023
这项研究利用机器学习技术自动识别 290 名伊拉克医院收集的 COVID-19 后患者的持续性炎症生物标志物,结果显示机器学习模型具有高准确性和精确性,可用于自动检测 COVID-19 后患者的持续性炎症,以实现早期诊断和个性化治疗策略,从而改善 COVID-19 后期护理和患者福祉。
Sep, 2023
使用 800,000 多名 COVID-19 患者的数据集,提出了一种成本敏感的梯度提升机器学习模型,该模型可以预测 PE 的发生和死亡风险,并确定年龄、性别、入院地区、合并症和症状等最重要的临床预测因子,并且可以更好地规范医院风险优先级的限制,并且在世界范围内进行评估。
May, 2023
该研究调查了树模型在长期死亡预测上的表现,并研究了两种近期引入的生物标志物对长期死亡的影响。研究采用来自中国台湾卫生福利部的 CCHIA 公开数据,以及从 139 例急性心肌梗死患者收集的医学和人口统计学数据,使用先进的集成树模型算法预测了 14 年内的全因死亡率,并发现添加生物标志物后算法的性能有所提高,可更好地为高风险个体确定治疗优先级。
Mar, 2024
基于 2022 年和 2023 年伊拉克收集的 913 例新冠肺炎康复患者数据,该研究调查了新冠肺炎后康复患者胃肠道症状的普遍性和模式,并利用机器学习算法识别了这些症状的预测因素。研究结果显示,相当比例的新冠肺炎后康复患者在康复阶段出现胃肠道症状,其中腹泻是最常见的症状,其次是腹痛和恶心。通过机器学习分析,发现年龄、性别、疾病严重程度、合并症以及新冠肺炎病程持续时间是胃肠道症状的重要预测因素。这项研究强调了监测和应对新冠肺炎后胃肠道症状的重要性,并指出机器学习提供了早期识别和个性化干预的有价值工具。进一步的研究将有助于深入了解新冠肺炎幸存者胃肠道症状的机制,并开发针对症状管理的有针对性干预措施。
Sep, 2023
发展和应用以患者为导向的系统中,机器学习作为一种有前途的技术能够预测心血管疾病,本研究使用自动化机器学习和三个场景探索了检测心血管疾病的有效性,结果显示自动化机器学习模型的结构不仅取决于基本模型的效率和准确性,还取决于数据的预处理技术,尤其是数据标准化。
Aug, 2023