Jan, 2024

pyAKI - 一个自动 KDIGO 分类的开源解决方案

PDF
TL;DRpyAKI 是一个开源、高精度的应用时间序列数据实现 Acute Kidney Injury（AKI）诊断 KDIGO 标准的解决方案。
acute kidney injurykdigo criteriapyakiopen-sourcetime series data
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

  • 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

  • 在重症监护室通过整合药物特征提升急性肾损伤预测

    这项研究通过使用病人处方数据作为模态性能提高急性肾损伤预测的现有模型的新方法，采用电子健康记录（EHR）数据提取相关病人处方信息，将其转化为所选药物表示法（扩展连接指纹）进行研究，并采用独特的多模态方法，应用于临床药物表示，建立了一个在预测急性肾损伤方面从未被任何研究所使用的程序。结果表明，通过将扩展连接指纹等药物特征与人口统计学和实验室检测值等常见队列特征结合起来，我们在急性肾损伤预测任务的模型性能中取得了明显的改善，超过了不包括药物表示作为特征的基线模型，这表明我们的独特方法增强了现有的基准技术，凸显了在重症监护设置中预测急性肾损伤中药物数据的相关性。

    Jan, 2024

  • 利用记忆网络在结构化和非结构化电子健康记录数据中识别急性肾损伤的亚表型

    该研究使用记忆网络和深度学习的方法，利用患者在患急性肾损伤前的结构化和非结构化电子病历数据，发现了急性肾损伤的三个亚表型，这可以更好地理解这种疾病的病理生理学并制定更有针对性的临床干预措施。

    Apr, 2019

  • 先前住院期间血清肌酐测量之和预测再入院患者的急性肾损伤

    使用血清肌酐作为唯一特征，采用多层感知器和循环神经网络来估计住院期间发生急性肾损伤的风险。实验结果显示， MLP 模型处理 sCr 的总和具有最佳性能：AUROC 为 0.92，AUPRC 为 0.70。预计还需要通过改进网络架构来处理缺失的门诊数据。

    Dec, 2017

  • 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

  • 又一款 ICU 基准测试：用于临床机器学习的灵活多中心框架

    该研究介绍了一个名为 “YAIB” 的模块化框架，旨在为医疗保健机器学习领域定义可重复和可比较的实验，支持大部分开放获取的重症监护病房数据集，并为多个机器学习和深度学习模型提供透明的预处理管道和可扩展的训练代码。通过这个框架，作者发现数据集、分类定义和预处理工具对模型预测性能有着重要影响。

    Jun, 2023

  • 整合专业知识与可解释性数据驱动智能实现传染性角膜炎的协作临床诊断

    将数据驱动的人工智能与临床医生的专业知识相结合，开发出一种可理解的诊断模型，通过人工智能的生物标志和检索到的具有相同诊断模式的病例提供可视化的推理过程，从而提高安全性和准确性，该模型在传染性角膜炎的诊断中取得了良好的性能、可解释性和临床实用性。

    Jan, 2024

  • AI 年龄差异：肾脏肿瘤患者脆弱性评估的新参数

    介绍了一种新的指标 AI Age Discrepancy，通过对术前腹部 CT 扫描的机器学习分析得出，作为评估肾癌患者脆弱性和术后风险的潜在指标。这项回顾性研究发现，较高的 AI Age Discrepancy 与较长的住院时间和较低的总体生存率显著相关，独立于已确立的因素。这表明 AI Age Discrepancy 可能为评估患者脆弱性提供有价值的信息，并在肾癌治疗的临床决策中发挥作用。

    Jun, 2024

  • 预测急性肾损伤发生前的自动化动态贝叶斯网络

    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。

    Apr, 2023