Sep, 2024

迈向可解释的终末期肾病（ESRD）预测：利用行政索赔数据与可解释的人工智能技术

HTML
PDF
TL;DR本研究解决了利用行政索赔数据预测慢性肾病（CKD）进展到终末期肾病（ESRD）的不足。通过结合传统机器学习和深度学习方法，尤其是使用长短期记忆（LSTM）网络，本研究发现LSTM模型在24个月观察窗口中的预测性能优于现有模型。同时，通过SHAP分析增强了模型的可解释性，为个体患者的预测提供了特征影响的深入见解。这项研究强调了利用行政索赔数据进行CKD管理和预测ESRD进展的价值。
发现论文，激发创造
  • 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

  • 传统和深度学习模型对纵向医疗记录的可解释性

    该研究评估了传统（XGBoost）和深度学习（LSTM with Attention）模型在全局和个别预测水平上的可解释性表现，并比较了三种流行的解释性方法：SHapley Additive exPlanations（SHAP）、Layer-Wise Relevance Propagation（LRP）和Attention。该研究发现，总体而言，使用SHAP或LRP的LSTM提供了优于XGBoost的可解释性表现，而带有点积Attention的LSTM则未能产生合理的结果。

    Nov, 2022

  • 自适应特征重要性校准的腹膜透析患者死亡率预测：基于真实世界纵向随访数据的深度学习研究

    我们开发了一个即时、个性化和可解释的死亡预测模型-AICare，该模型使用电子病历等随访数据，能够明确识别每个患者的关键特征，进而建立健康状态嵌入模型，并在包括腹膜透析和血液透析等临床数据预测任务中达到了良好的预测效果。

    Jan, 2023

  • GRU-D-Weibull: 一种新颖的实时个体化终点预测方法

    透过使用临床数据，我们提出了GRU-D-Weibull模型，它以门控循环单元和衰减（GRU-D）结合韦伯分布的方式，实现了实时个体化终点预测和人群风险管理。我们的方法在慢性肾脏疾病（CKD4）患者队列进行了评估，表现出更好的性能，并成功将预测的存活概率与观察到的存活概率进行了对齐。

    Aug, 2023

  • 二元高斯库普拉合成：用于提升基于机器学习的临床决策支持系统的新型数据增强技术，早期预测CKD患者透析的方法

    为了解决机器学习在早期透析预测中的挑战，本研究评估了不同的数据增强技术在现实世界数据集上的有效性，并提出了一种名为 Binary Gaussian Copula Synthesis（BGCS）的新方法，该方法通过生成与原始数据分布相似的少数类数据来提高早期透析预测的准确性。此外，我们还设计了一种基于机器学习的临床决策支持系统（CDSS），以帮助临床医生做出明智的决策并有效制定CKD患者的治疗计划。

    Mar, 2024

  • 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

  • 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

    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

  • LSTM神经网络与传统机器学习模型在预测糖尿病患者再入院方面的比较分析

    该研究使用了Diabetes 130-US Hospitals数据集，利用各种传统机器学习模型（如XGBoost、LightGBM、CatBoost、决策树和随机森林）进行分析和预测了糖尿病患者的再入院情况，并通过自主开发的LSTM神经网络进行对比。研究结果显示，LightGBM是最佳的传统模型，而XGBoost位居第二，LSTM模型在训练准确性较高的情况下存在过拟合问题。研究还使用了SHAP值提高了模型的解释性，并指出了实验结果中影响再入院预测的重要因素，如实验室过程数量和出院安排。该研究表明，在预测性医疗模型中，模型选择、验证和解释性是关键步骤，有助于医疗服务提供者设计干预措施，提高糖尿病患者的随访遵从性和管理效果。

    Jun, 2024

  • 通过大型多模态模型理解eGFR轨迹和肾功能下降

    本研究解决了以往在准确预测未来肾小球滤过率（eGFR）方面的挑战，提出通过大型多模态模型（LMMs）结合不同的提示技术和eGFR轨迹的可视化来进行预测。研究结果表明，这些模型的预测性能与现有机器学习模型相当，扩展了基于模型的应用，未来可用于解决复杂的医学预测问题。

    Sep, 2024