高风险心血管患者慢性肾脏病预测的可解释机器学习系统
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
本研究利用机器学习模型,动态识别慢性肾脏疾病患者,预测其是否需要肾脏替代治疗,可提前至一年。在研究中,我们对近三百万医保受益人进行了超过八百万次预测,证明该模型可实现超过 90%的灵敏度和特异度。该研究为筛查患者并进行早期干预以改善肾脏替代治疗成果提供了基础。
Sep, 2022
应用机器学习方法,使用 KNN Imputation 处理缺失值,采用 SMOTE 处理数据不平衡,集成多种算法,其中随机森林模型可以在不泄漏数据的情况下以 100% 的准确率检测慢性肾脏疾病。
Mar, 2022
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
为了推广人工智能模型在高精度领域(如医疗保健)的实际应用,必须使其具有可解释性。本研究通过探索一种基于临床情况、疾病风险预测和算法解释的上下文定制方法,验证了这种方法的重要性。在对 2 型糖尿病(T2DM)中的慢性肾脏病(CKD)风险预测进行了实证分析后,我们获得了初步结果和来自医疗专家的热烈反响。
Jul, 2021
通过机器学习方法分析血清代谢物对糖尿病肾病(DN)的影响,预测 DN 的患病率。使用 Least absolute shrinkage and selection operator(LASSO)回归模型和 10-fold 交叉验证选择了最佳特征,通过 AUC-ROC 曲线、决策曲线和校准曲线比较了四种机器学习算法。使用 Shapley Additive explanations(SHAP)方法量化了最佳预测模型中的特征重要性和交互效应。XGBoost 模型在筛选 DN 方面表现最佳,AUC 值最高为 0.966,且相比其他模型具有更多的临床净收益和更好的拟合度。此外,血清代谢物与糖尿病持续时间之间存在显著的相互作用。通过 XGBoost 算法开发了用于筛选 DN 的预测模型,C2、C5DC、Tyr、Ser、Met、C24、C4DC 和 Cys 在模型中具有重要贡献,有可能成为 DN 的生物标志物。
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
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
本研究建立了一个基于机器学习的诊断系统用于心脏疾病预测,使用了包括 RF、MLP、KNN、ETC、XGB、SVC、ADB、DT 和 GBM 在内的九种分类算法和八种分类器性能评估指标,并通过一个堆叠式集成方法来评估临床决策支持系统的影响。
Apr, 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