探索结构学习算法在识别糖尿病患者干预风险因素中的有效性
本研究提出了一种基于电子病历的端到端模型,采用代数视图将离散的医学对象嵌入连续向量空间,并将每次就医记录的疾病和共病以及治疗方法均袋化为一个函数集,通过建立疾病和治疗方法在每次就诊时的交互关系,预测患者可能的再次住院风险,初步结果表明该模型在糖尿病和精神健康领域具有很好的预测效果。
Nov, 2017
本文通过对 COVID-19 英国疫情数据的应用研究,探讨了因果机器学习算法的挑战,并评估了这些算法以及算法组性能的图形结构、模型尺寸、敏感性分析、混淆变量、预测和干预推断等方面的结果。最终,提出了因果结构学习的挑战和未来研究方向。
May, 2023
本文提出了一种新颖的框架,将基于模型的诊断与深度图结构学习的概念相结合。通过利用数据学习系统的底层结构和提供动态观察,该方法实现了图结构学习与基于模型的诊断的无缝集成,并通过在耦合振荡器系统上的实验证明了其数据驱动诊断方法的潜力。
Aug, 2023
本文呈现了通过定量和模拟建模分析使用系统动力学了解人工智能种族偏见和对健康不平等影响的结果和见解,并强调将数据和医疗保健讨论集中于人们及其医疗和科学体验,以及认识算法操作的社会背景的重要性,社区创伤的集体记忆是寻求治疗和体验有效治疗的内生驱动因素,这些因素对不同种族群体的初值条件具有明显的不平等性。
May, 2023
通过结合临床专业知识与基于评分、基于约束和混合结构学习算法,该研究研究了可能受政策决策影响的败血症潜在原因的潜在因果结构,并发现慢阻肺、酒精依赖和糖尿病等风险因素的存在会增加患者患败血症的可能性,从而对政策具有潜在影响。通过评估模型在预测败血症方面的能力,发现共识模型的预测准确度、敏感度和特异度均在 70% 左右,AUC 为 80%,说明该模型的因果结构在只使用可供委托目的的数据训练的情况下是相当准确的。
Jun, 2024
基于人工智能技术的预测模型在医疗保健领域得到广泛应用。本文提出了一种新方法,将选择图、缺失图、因果发现和先前知识结合成一个图形模型,用于评估乳腺癌幸存者的青少年女性的心血管风险。该模型通过专家临床医生的验证,在风险评估、准确性和可解释性方面胜过竞争的机器学习方法。
Nov, 2023
提出一种基于物联网边缘 - 人工智能 - 区块链系统的糖尿病预测模型,通过比较实验结果表明,与逻辑回归和支持向量机等现有机器学习方法相比,该模型使用随机森林算法平均预测精度提高了 4.57%,但执行时间较长。
Nov, 2022
通过将机器学习技术应用于生物医学数据,我们提出了一种方法,能够在图中准确编码给定结果的风险因素组合,并且相较于其他方法,这种网络编码了关于 2 型糖尿病向多种结果的进展更多的信息。
Dec, 2023
介绍了一种基于 AIT 的方法,可快速识别数据生成过程的基础因果结构。该方法可用于离散和连续优化公式,并在模拟到实际数据的多个基准测试中表现出卓越的性能。(Translation: An AIT-based method is introduced to quickly identify the underlying causal structure of the data-generating process, which is applicable for both discrete and continuous optimization formulations of learning the underlying directed acyclic graph from data, and demonstrates superior performance on multiple benchmarks from simulated to real-world data.)
Sep, 2021