机器学习
美国伊利诺伊大学的研究人员正在探究医疗人工智能和机器学习模型何时会失败或无法如预期般表现,以改进这些模型。
加州大学伯克利分校的研究人员开发了一种机器学习软件,利用电子病历中的条目来研究长期COVID,包括发现常见症状和识别该病的亚型。该模型可为精准临床管理策略提供支持。
一项发表在JAMA Network Open上的研究发现,利用机器学习模型可以准确估计阿片类药物不良反应风险,这有助于加强阿片类药物监管和处方药物监测计划(PDMP)。
一项发表在《科学报告》上的研究发现,机器学习模型和传统方法在预测高血压发病率方面表现相似,表明基于机器学习的风险预测模型可以准确预测高血压。该研究比较了不同预测模型的性能,包括传统的Cox比例风险回归模型和五种机器学习模型。研究结果表明,这些模型的预测准确性都很高。
一项最新研究表明,将术前数据和术中血流动力学监测数据添加到基于机器学习的预测模型中,可以准确实时地预测手术中需要大量输血的情况。这项研究对于手术中的出血控制和输血管理具有重要意义。
本文介绍了2022年医疗行业中人工智能和机器学习的十大故事,包括偏见消除、可靠性提高、深度学习、数据障碍等方面的内容。
研究人员开发了一种机器学习软件,可以分析单个细胞的多个特征,从而揭示基因疾病的成因。这种单细胞测序技术对于肿瘤研究尤其重要,可以评估只影响少数细胞的突变的影响。
研究人员正在进行数字检测痴呆症研究,评估使用基于人工智能的机器学习算法,利用自然语言处理和EHR数据识别未诊断的阿尔茨海默病和相关痴呆症的效果。
一项发表在《科学报告》上的研究发现,机器学习模型可以使用患者报告的症状严重程度等数据准确预测卵巢癌患者6个月的死亡率。这项研究的目的是开发一种可靠的预测工具,以识别卵巢癌患者何时接近生命的尽头,从而改善临床决策和终末期护理。
佛罗里达大西洋大学的研究人员使用机器学习模型预测COVID-19检测结果,并确定哪些症状对产生阳性检测结果起关键作用。他们训练了五个分类算法,基于易于获取的症状和人口统计特征,如发热、温度、年龄和性别,预测COVID-19检测结果。