Jun, 2024

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

PDF
TL;DR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。
chronic kidney diseaseensemble learningexplainable aipredictive analyticsrandom forest model
发现论文，激发创造
  • 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

    开发了一个可解释的机器学习系统，用于预测有心血管风险的患者中的慢性肾脏病，在全球解释性框架、生物医学相关性和安全性评估等方面具有突出优势。

    Apr, 2024

  • 初期慢性肾脏疾病（CKD）检测：新型混合特征选择方法和适用于不同 ML 技术的稳健数据准备流程

    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

  • 使用索赔数据的机器学习动态预测慢性肾脏病患者透析治疗的发生

    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

  • 利用临床背景进行用户中心的可解释性：糖尿病应用案例

    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

  • 可解释的机器学习预测糖尿病肾病模型

    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

  • 可解释的人工智能模型预测电子健康记录中的急性重症

    本文提出了一个可解释人工智能早期预警评分系统（xAI-EWS），可帮助早期检测急性危重病。该系统通过相关电子健康记录数据说明预测结果，提高临床应用价值。

    Dec, 2019

  • 基于基因表达分析的深度学习用于多囊肾病的准确和早期检测

    利用深度学习方法，通过分析患者基因表达，实现对多囊肾病的早期检测。

    Sep, 2023

  • 一种改进的基于堆叠集成方法的心脏病预测

    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

  • 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

  • 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