Jan, 2024

非侵入性急性间室综合征诊断的随机森林机器学习

PDF
TL;DR急性间室综合征的诊断可通过非侵入式方法，使用皮肤上的力敏电阻器检测压力读数，最终通过蓝牙将诊断结果实时导出至 Web 应用程序。该诊断方法在预测准确度、精确度、敏感度和 F1 分数等关键性能指标上表现优异，其制造成本经济实惠，因此可能成为针刺诊断的经济替代品，并有潜力满足临床标准并提高患者护理水平。
acute compartment syndromediagnosticpressure measurementsforce-sensitive resistorsnoninvasive
发现论文，激发创造
  • 非对比 CT 快速准确诊断急性主动脉综合征：大样本、回顾性、多中心和基于 AI 的研究

    使用非对比增强 CT 图像，研制了人工智能模型 DeepAAS，能够准确识别急性主动脉综合征（AAS），帮助临床决策，有效降低 AAS 错漏诊率并缩短诊断时间。

    Jun, 2024

  • 心脏成像中自动检测二尖瓣反流的机器学习方法

    使用新的半监督模型 CUSSP 基于心脏图像切片提出了一种自动诊断心脏瓣膜疾病的方法，通过大量未标记数据学习并结合专门的分类器，取得了当前任务的首个基准结果。

    Oct, 2023

  • 脑血流动力学信号监测中的卒中预测和诊断模型

    使用机器学习技术基于血流动力学数据开发的模型能够在 30 分钟内诊断卒中亚型，在前 3 小时内预测死亡，并在短短的 15 分钟内预测卒中复发。

    May, 2023

  • 基于多实例学习的心电图风险分层

    本文提出一种使用机器学习从原始心电图 (ECG) 信号学习患者心血管死亡风险的方法，该方法通过采用多元实例学习框架从原始 ECG 信号中学习表征，并在 5000 名患者数据集上证明其可以准确地预测患者在 30、60、90 和 365 天内心血管死亡风险，优于现有的风险因子评估方案。

    Dec, 2018

  • 心血管疾病预测的集成框架

    该研究使用基于机器学习算法的集成分类器框架，结合多种性能度量方法，对一个包含多国心血管疾病个体的大型数据集进行研究，获得了 92.34% 的准确率，较现有研究表现更佳。

    Jun, 2023

  • 基于随机森林的卒中结果预测

    通过使用机器学习技术，研究临床、生化和神经影像因素，生成一个预测模型，用于预测中风患者在入院后 3 个月的死亡率和发病率，并得出结论：机器学习算法可以有效地用于中风患者的长期死亡率和发病率的预测。

    Feb, 2024

  • 用于分类感染性和非感染性患者微循环图像的机器学习算法

    研究使用机器学习分类器对住院患者的暗场显微镜下的微循环视频进行非感染和感染图像的区分，该分类器准确度达到 89.45％。分类器用于区分感染和非感染患者的特征空间具有潜在的诊断应用价值。同时，使用无监督的卷积自编码器将学习到的特征从压缩的表征中聚类，可用于识别健康的微循环图像与有微循环功能障碍的图像。

    Oct, 2018

  • 使用机器学习的动态风险评分预测心原性休克

    我们开发了一种基于深度学习的风险分层工具 CShock，以预测急性失代偿性心力衰竭和 / 或心肌梗死入住心脏重症监护病房的患者的心源性休克的发作，并在外部验证中发现其具有泛化能力。

    Mar, 2023

  • 强化弥散相关光谱法的血流评估：一种具有噪声稳健性分析的迁移学习方法

    用于血流量指数测量的扩散相关光谱技术和机器学习的结合，通过转移学习的方法提高在不同信噪比和临床环境下对血流指数的鲁棒性。

    Jan, 2024

  • 基于神经模糊系统的无创血钾测量研究

    缺钾症的非侵入性仪器设计和检测方法研究，基于心电图的钾测量系统，包括心电图特征提取和选择以及基于 FCM-ANFIS 模型的检测，可降低心脏事件发生率。

    Dec, 2023