预测
一项新开发的机器学习模型可自动识别高风险手术患者,从而提高其生存率并降低医疗系统成本。这项研究由匹兹堡大学和匹兹堡医疗中心(UPMC)的研究人员和医生完成,他们训练了超过120万名手术患者的医疗记录,以帮助预测手术后可能出现并发症的患者。
德克萨斯大学MD Anderson癌症中心的研究人员开发了一种结合血液检测和个性化风险模型的预测工具,可以更好地预测肺癌死亡风险。这项研究发表在上周的《临床肿瘤学》杂志上。该模型将MD Anderson研究人员最近开发的基于血液的四蛋白质组合(4MP)检测与PLCOm2012风险模型相结合,旨在通过改善肺癌筛查来降低死亡率。
匹兹堡医学中心的研究人员开发了一种机器学习工具,能够利用心电图(ECG)读数更快、更准确地检测和分类心脏病发作。这种模型可帮助医生探测ECG中可能被忽略的亚型,从而提供及时的医疗服务,避免因延误而导致的生命危险。
新加坡中央医院开发了一种基于机器学习的预测AI工具,名为CARES-ML,可通过患者的病史、身体状态和调查检查结果来评估患者的手术风险。该工具可提高手术前评估的准确性,增强临床团队对于患者围手术期护理方案的决策和建议,从而改善患者的预后和增强患者的安全性。
Dandelion Health利用其涵盖1000万患者的数据集,从不同的种族、地域和民族子群体出发,对医疗保健领域中使用的心电图算法进行测试,以评估人工智能的表现和潜在的偏差。文章详细介绍了Dandelion Health开展此项试点所需的技术和数据等方面。
最近一项研究表明,预测10年痴呆风险的四种常见模型临床价值有限,需要更准确的算法来帮助针对痴呆进行预防。这篇文章将介绍研究的主要内容以及对临床实践的影响。
一份来自医疗技术研究机构的报告显示,随着技术的不断发展,医疗领域中使用人工智能的比例正在不断增长。大型医疗机构(1,001张床以上)使用人工智能的比例最高,平均使用3.6个人工智能解决方案。疾病管理和预测是最流行的应用领域之一,也是投资最多的领域之一。
爱德华生命科学公司的Acumen HPI软件可帮助医生预测患者低血压的可能性,从而减少术中低血压的发生率。一项欧洲多中心前瞻性观察性数据库研究表明,该软件可降低术中低血压的持续时间和严重程度。这是一项关于非心脏手术患者低血压管理的大型数据库研究,为医疗器械认证提供了有力的支持。
研究表明,人工智能算法在预测乳腺癌五年风险方面比BCSC风险模型表现更好。这一发现为预测癌症提供了更加高效的方法,将有助于医疗器械认证和医疗保健领域的发展。
美国研究人员开发了一种机器学习方法,可以准确识别与神经轴阻滞镇痛后胎儿心率变化相关的预测因素,这种方法可以帮助医生更好地监测和预测胎儿的健康状况。本文将详细介绍这项研究成果。