医疗预后中的机器学习应用:全面综述
综合评估医疗机器学习的基准,提出一种基于医学信息志(MIMIC-III)的基准,让我们可以直接比较预测性能,并评估生存率、住院时间、表型和患者恶化任务的进展。我们发现,在这些任务上,尽管社区参与度高,但在过去的三年里,几乎没有真正显著的进展。通过我们的元分析,我们发现,深度递归模型的性能仅在某些任务上优于逻辑回归。最后综合这些结果,提出未来医学机器学习基准所需的理想特性。
Oct, 2020
AutoPrognosis 2.0是一种基于机器学习的框架,可帮助开发优化的诊断和预测模型,并且能够提供模型可解释性工具并展示展示临床演示成果,并已在糖尿病领域成功应用,具有广泛的应用前景。
Oct, 2022
本文系统地检验了机器学习模型在临床预测任务方面的表现,尤其是在生理时间序列方面,并选择Physionet 2019挑战公共数据集来预测ICU单位脓毒症结局。比较了十个基准机器学习模型,包括三种深度学习方法和七种临床预测领域常用的非深度学习方法,使用了九个具有特定临床意义的评估指标来评估模型的表现。结果表明,深度学习的确优于非深度学习,但必须满足特定的条件才能达到更好的表现,这些条件包括使用特定的评估指标以及拥有足够规模的训练数据集。
Nov, 2022
利用机器学习方法,比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于METABRIC数据集中1904名患者记录的5年乳腺癌生存率。研究结果表明,这些分类器可以准确预测样品的生存率,分别为75.4%,74.7%,71.5%,75.5%,70.3%和78%
Apr, 2023
该研究提出了一种利用电子健康记录数据进行大规模癌症风险预测的新方法,通过最小数据贪婪策略结合机器学习和生存分析的Survival Ensemble方法,能在医疗机构中得以复制,并在癌症患者检测方面取得了比传统医学筛查更好的结果。
Sep, 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
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
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
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。
Aug, 2024