Oct, 2023

可解释的心力衰竭风险预测的生存分析

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 深度生存分析

    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

  • 利用放射学报告的深度表示进行生存分析，预测心衰患者死亡率

    本文提出一种使用BERT为基础的隐藏层的临床文本协变量来预测患者的生存状况的方法，并证明其在预测方面比预定义特征更加准确，并且在C-index和时间依赖的AUC方面优于之前的模型。

    May, 2021

  • FastCPH：神经网络高效生存分析

    本文提出了FastCPH方法，将Cox比例风险模型推广到神经网络，支持标准的Breslow和Efron方法，效率更高且性能优于现有的CoxPH方法。

    Aug, 2022

  • 发挥额外决策树特征选择和随机森林分类器的潜力，提高心力衰竭患者生存预测效果

    利用数据预处理技术和Extra-Tree特征选择方法结合Random Forest分类器，提高心衰患者生存预测准确性。采用UCL心衰生存数据集进行特征选择和调优，获得了98.33%的最高准确率。

    Aug, 2023

  • 增强心力衰竭患者的死亡预测: 探索不平衡临床数据集的预处理方法

    通过使用合适的预处理技术和机器学习算法，研究在预测心力衰竭患者的死亡率方面对不平衡的临床数据集进行预处理的方法，以提高预测性能。研究结果表明，相比树模型，尤其是随机森林（RF）和XGBoost（XGB），在F1评分和MCC上平均提高了约3.6%和2.7%，从而显示出预处理方法在处理不平衡的临床数据集方面的效率。该研究有望引导医疗专业人员做出明智决策，并改善心力衰竭管理中的患者预后。

    Sep, 2023

  • 利用深度学习、机器学习和统计方法进行生存分析：预测住院后死亡的比较分析

    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

  • 可解释的机器学习用于生存分析

    通过对现有的解释性机器学习方法的综述，我们详细介绍了如何将常用的解释性机器学习方法应用于生存分析，以实现对模型决策或预测的理解。并且通过对加纳儿童5岁以下死亡率的实际数据的应用，展示了如何在实践中使用这些技术来促进对模型决策或预测的理解。

    Mar, 2024

  • 生存分析的可解释预测与特征选择

    DyS是一种新的生存分析模型，它在生存分析问题上表现出色，尤其适用于大规模的观察型医疗研究数据集，具备强大的判别能力和可解释性。

    Apr, 2024

  • 优化ICU心力衰竭患者的死亡率预测：利用XGBoost和先进的机器学习与MIMIC-III数据库

    本研究解决了ICU心力衰竭患者死亡率预测不准确的问题。通过分析MIMIC-III数据库中1,177名患者的数据，采用了先进的特征选择方法和机器学习模型比较，发现XGBoost模型在AUC-ROC测试中表现优异，达到了0.9228，为临床提供了识别高风险患者的有效工具，潜在提高护理结果。

    Sep, 2024

  • 可解释的高性能生存分析：CoxKAN（Kolmogorov-Arnold网络）

    本研究解决了生存分析中性能与可解释性之间的权衡问题，提出了CoxKAN，一种高效且可解释的Cox比例风险Kolmogorov-Arnold网络。研究结果表明，CoxKAN在多个数据集上的表现优于传统模型，同时能够自动选择特征并识别变量间的复杂交互，帮助更好地理解生物标志物对患者风险的影响。

    Sep, 2024