heart failure | BriefGPT - AI 论文速递

关键词heart failure

搜索结果 - 18

超声心动图左室射血分数的自动神经网络预测模型开发
基于深度神经网络和集成学习的新型管线方法用于左室射血分数（LVEF）的自动准确量化，并在心力衰竭的诊断和分类中取得了与专家评估相当的效果。
PDF4 months ago
叙事特征或结构特征？用大型语言模型识别存在心力衰竭风险的癌症患者的研究
使用电子健康记录（EHR）以及传统机器学习、时间感知长短期记忆（T-LSTM）和大型语言模型（LLM）等机器学习模型，通过从结构化医学代码中提取的新颖叙述特征来识别存在心力衰竭（HF）风险的癌症患者，并发现大型语言模型 GatorTron-
PDF4 months ago
大型语言模型引导的心电图双注意力网络用于心力衰竭风险预测
用于心力衰竭风险预测的 ECG 网络模型基于 12 导联心电图数据，通过大型语言模型的预训练提高预测能力和透明度，为早期心力衰竭诊断和预防提供潜在的改进。
PDF4 months ago
基于短时心电图和长时心率变异采样的多模态心力衰竭风险评估
该研究论文提出了多模式方法，结合 30 秒的心电图记录和近似的长期心率变异性数据（HRV）来估计心衰住院风险。实验结果显示，在心衰风险评估方面，所提出的方法具有较高的模型性能，并在多个外部心电图数据集上展示了竞争性的区分力。通过在 Appl
PDF4 months ago
基于机器学习方法和诊断生物标志物增强的住院心力衰竭患者声音驱动的死亡预测
通过整合语音生物标志物，我们展示了一个强大而有效的机器学习模型，用于通过语音评估预测住院心力衰竭患者的死亡率，该模型的预测精度得到增强。
PDF4 months ago
ConFormer：辅助心脏专家评估心脏功能的新颖深度学习模型集合
该论文介绍了一种名为 ConFormer 的深度学习模型，用于自动估计超声心动图中的射血分数和左心室壁厚度，通过实现 ConFormer 模型，有可能实现经济高效、易于获取且全面的心脏健康监测，从而挽救无数生命。
PDF7 months ago
可解释的心力衰竭风险预测的生存分析
我们提出了一种新颖的生存分析流程，既能解释模型预测结果，又能与最先进的生存模型竞争。通过改进的生存堆叠模型将生存分析问题转化为分类问题，使用 ControlBurn 进行特征选择，并使用可解释的增强学习机器生成可解释的预测结果。我们使用大型
PDF8 months ago
增强心力衰竭患者的死亡预测：探索不平衡临床数据集的预处理方法
通过使用合适的预处理技术和机器学习算法，研究在预测心力衰竭患者的死亡率方面对不平衡的临床数据集进行预处理的方法，以提高预测性能。研究结果表明，相比树模型，尤其是随机森林（RF）和 XGBoost（XGB），在 F1 评分和 MCC 上平均提
PDF9 months ago
一种利用机器学习和不确定性量化建模 CRT 的多阶段决策过程的新方法
创建了一个多阶段的机器学习模型，利用不确定性量化预测心力衰竭患者的心脏再同步治疗反应，通过使用规则逻辑减少了对额外单光子发射计算机断层扫描心肌灌注显像数据获取的需求，而不牺牲性能。
PDF10 months ago
发挥额外决策树特征选择和随机森林分类器的潜力，提高心力衰竭患者生存预测效果
利用数据预处理技术和 Extra-Tree 特征选择方法结合 Random Forest 分类器，提高心衰患者生存预测准确性。采用 UCL 心衰生存数据集进行特征选择和调优，获得了 98.33% 的最高准确率。
PDFa year ago
深度度量学习用于心电图信号的血流动力学推断
心脏衰竭是一种影响数百万人的严重疾病，对他们的生活质量和死亡率产生重要影响。本研究使用电生理信号等非侵入性方法来评估心脏压力，提出了一种基于深度度量学习的模型，该模型在有限标签数据情况下表现良好，并具有患者亚组之间的高度性能表现。
PDFa year ago
使用学习的多值决策图表征晚期心力衰竭风险和血流动力学表型的 CARNA 方法
CARNA 是一个基于机器学习的血流动力学风险评估和表型学框架，该框架学习风险得分以预测患者结果的概率，并输出描述性患者表型，其特征和阈值为每个预测的风险得分进行特征化，通过比较五个高级 HF 患者队列，证明其可以提供健壮的风险分层，CAR
PDFa year ago
利用临床笔记中的主题，识别心力衰竭患者的表型并预测其住院时间
使用 topic modeling 技术识别 1,200 名心衰患者诊断代码及手术报告中的特征主题，以预测他们的住院时间长度，并发现与医学概念间的新关系。心衰患者临床表现多有概率潜在结构，所以该研究结论有助于预测患者生存率及研究患者的个人资
PDFa year ago
使用机器学习的动态风险评分预测心原性休克
我们开发了一种基于深度学习的风险分层工具 CShock，以预测急性失代偿性心力衰竭和 / 或心肌梗死入住心脏重症监护病房的患者的心源性休克的发作，并在外部验证中发现其具有泛化能力。
PDFa year ago
ICML深度半监督嵌入聚类（DSEC）用于对心力衰竭患者分层
该研究介绍了一种基于半监督深度嵌入聚类算法的数据驱动患者亚组的确定方法，该方法利用电子健康记录中的标签信息确定病人亚组，并找到从异质数据中获得的与临床相关的簇，从而有潜力找到不同结果的未诊断患者的新亚组，从而带来改进的治疗。
PDF4 years ago
神经网络与逻辑回归用于 30 天全因素再入院预测的比较
使用大量行政索赔数据，我们比较了不同预测模型在预测心力衰竭出院后 30 天再入院率方面的效果，并发现使用神经网络模型加时间线数据可以提高预测性能，而逻辑回归和神经网络模型一样。
PDF6 years ago
MM通过演绎推理改善心力衰竭管理指南的遵从性
该研究介绍一种使用答案集编程的医师咨询系统来管理慢性病的做法，通过归纳推理和临床实践指导来判断病人的症状和情况是否适用于医师的治疗建议，以帮助医师尽快采取相应措施。
PDF7 years ago
从电子健康记录中学习医疗概念表示，并在心力衰竭预测中应用
本文提出了一种将电子健康记录中的医疗概念和患者转化为临床有意义的构建特征的基于数据驱动的方法，从而通过时间关系来学习医学概念的表示和病人向量，达到对诊断和治疗的性能优化。
PDF8 years ago