Aug, 2024

基于数据驱动的机器学习方法预测院内脓毒症死亡率

HTML
PDF
TL;DR本研究针对院内脓毒症死亡预测中的特点选择和模型可解释性不足的问题，提出了一种可解释且精准的机器学习模型。通过对MIMIC-III数据库的ICU患者记录进行详细分析，随机森林模型在精确度和AUC方面表现优异，证明了数据驱动的机器学习在医疗保健中提高院内死亡预测的潜力。
发现论文，激发创造
  • 利用深度学习技术对电子健康记录事件序列进行早期感染性休克检测

    本研究提出一种基于深度学习方法的感染监测系统：该系统利用电子病历等数据预测感染发生的可能性并辅以早期干预以提高为病人争取更多时间，其性能表现在 AUROC 值为 0.856，可在感染发生前三小时预测。

    Jun, 2019

  • 早期脓毒症预测的多子集方法

    利用机器学习和多子集方法进行感染性休克早期预测可缩短预测时间，并以时变趋势特征进一步改进早期预测的性能。

    Apr, 2023

  • 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

  • 自动数据校正的混合整数投影改进住院患者败血症预测

    机器学习模型在自动化临床决策中起着越来越重要的作用。我们介绍了一种基于投影的创新方法，将临床专业知识作为领域约束无缝融合，生成可用于机器学习工作流的重要元数据。通过捕捉生理和生物限制患者生命体征和实验室数值的高维混合整数规划，我们可以利用数学“投影”的力量纠正电子病历数据中的患者数据错误。我们测量修正后的数据与定义健康范围的约束之间的距离，得到一个称为“信任分数”的独特预测指标。这些分数提供了对患者健康状况的见解，并显著提升了机器学习分类器在现实临床环境中的性能。我们在早期脓毒症检测的背景下验证了我们框架的影响。我们展示了0.865的AUROC和0.922的精确度，超过了没有此类投影的常规机器学习模型。

    Aug, 2023

  • 将基于机器学习的早期败血症检测扩展到不同人群

    本研究使用公共eICU-CRD数据集和韩国圣玛丽医院的私人数据集，对LightGBM和XGBoost两种集成学习方法进行比较分析，发现这些方法在处理医疗数据不平衡和增强脓毒症检测方面的有效性。具体而言，LightGBM在计算效率和可扩展性方面略胜一筹。该研究为机器学习在危重护理中的广泛应用铺平了道路，从而全球扩展了预测分析在医疗保健中的应用。

    Nov, 2023

  • 一种基于知识蒸馏的多变量临床时间序列中的感染性休克预测方法

    通过知识蒸馏和约束变分推断，我们使用一个高预测能力的“教师”神经网络模型来训练一个“学生”潜在变量模型，学习可解释的隐层表示，以实现对脓毒症预测结果的高准确性。

    Nov, 2023

  • 临床环境下脓毒症发作的早期预测

    采用机器学习模型来预测感染性休克的早期发生，利用来自纽约布朗克斯Montefiore医疗中心的非身份识别的临床数据。

    Feb, 2024

  • 可解释预测患者路径的机器学习框架：以预测症状为脓毒症患者的ICU入院为例

    利用机器学习和可解释预测的方法，提供对因脓毒症症状患者的重症监护室ICU入院的能力，通过综合仪表盘显示患者的健康轨迹、预测结果和相关风险，提供了改进预测准确性和可解释且可操作的见解，成为危重患者医疗决策支持的有价值工具。

    May, 2024

  • 提升患者预后的早期准确脓毒症预测的高级元集成机器学习模型

    使用机器学习技术，通过元合奏方法预测败血症的发作，提高早期检测的预测准确度，结果显示元合奏模型优于单独模型，并通过AUC-ROC得分达到0.96，表明对早期败血症检测具有优势。

    Jul, 2024

  • 医疗预后中的机器学习应用：全面综述

    本研究针对医疗预后的现有问题，通过系统回顾各种机器学习技术的应用，指出了这些方法的有效性、挑战及未来方向。论文展示了随机森林、逻辑回归、卷积神经网络和长短期记忆网络等技术在疾病预测和风险评估中的关键优势，强调了模型解释性的重要性及数据质量的挑战，为提高患者预后提供了潜在影响。

    Aug, 2024