肺部结节手术风险评估和手术时间预测 相关工作及可行性分析
论文汇总
- 手术风险评估相关工作
- 1.Development and validation of machine learning models to identify high-risk surgical patients using automatically curated electronic health record data (Pythia): A retrospective, single-site study
手术风险评估相关工作
| 文章 | 简介 | 数据库 | 特征 | 特征数量 | 方法 |
|---|---|---|---|---|---|
| Development and validation of machine learning models to identify high-risk surgical patients using automatically curated electronic health record data (Pythia): A retrospective, single-site study（2018.11.27 PLOS Medicine） | 本研究的主要目的是展示一个机器学习的初始使用案例，利用来自ehr的特定机构的手术数据管道和存储库，以识别术后并发症的高风险患者。 | 37,195,164 例患者的电子医疗记录 （不公开，可尝试申请获取） | 包括患者的人口统计学特征(例如，年龄、性别、种族)、吸烟状况、药物、合并症、手术过程信息和外科手术复杂性指标 | 194个临床特征 | 使用自动化的SQL和R代码创建了一个手术结果的数据库，该数据库提取和处理了来自EHR的3700万例临床病例的患者临床和手术数据，通过交叉验证14个特定的术后结果组，对该手术队列进行了最少绝对收缩和选择算子(lasso)惩罚logistic回归、随机森林模型和极值梯度增强决策树的训练。所得模型的接收机算子特征曲线下面积(AUC)值在0.747 ~ 0.924之间 |
| DyCRS: Dynamic Interpretable Postoperative Complication Risk Scoring（2020.4.20 WWW’20） | 开发了一个动态的术后并发症风险评分框架(DyCRS)，基于术后序贯生命体征和静态特征实时检测“高危”患者。DyCRS基于隐马尔可夫模型(HMM)的适应性，该模型捕捉隐状态和可观察状态，以生成实时的、概率的、复杂性风险评分。 | 526例接受择期结肠切除术的患者的并发症信息 | 顺序特征：白细胞计数(1000s /微升血)、收缩压(mm Hg)、舒张压(mm Hg)、脉搏率(每分钟脉冲数)、体温(◦F)。静态特征：包括性别和无并发症的糖尿病。事件：临床恶化时间或出院时间 | 5个顺序特征，2个静态特征，1个事件。我们的数据集包括526例患者，12666个时间步长数据点，每个时间步长与5个生命体征相关。 | 隐马尔可夫模型（HMM） |
| Interpretable Predictions of Clinical Outcomes with An Attention-based Recurrent Neural Network（2017.8.20 ACM-BCB） | 医疗保健领域的大数据积累，如电子健康记录(EHR)和索赔数据，使研究人员能够使用机器学习技术从这些数据中学习，并构建临床决策支持工具。这种能力有助于及时和准确地预测患者在再次入院或死亡方面的医疗风险，从而提高临床干预的质量和效率。为了产生可解释的临床结果预测，我们的工作开发了一种基于门控复发单元(GRU)的分级注意RNN (GRNN-HA)。 | MIMIC-III(重症监护医疗信息市场)，包含了一家大型三级医院重症监护室收治的46250名不同患者的相关数据（公开数据集） | 数据类型包括人口统计学、生命体征、诊断代码和实验室测试。 | 未知 | 分层注意力机制、双向GRU、诊断代码的低维处理 |
| Machine Learning-based Prediction of Postoperative 30-days Mortality（CSAE 2021.10.19） | 本研究的目的是使用机器学习算法，特别是Bagging和Boosting算法(如Random Forest, eXtreme Gradient Boosting)，预测65岁以上手术患者术后30天的死亡率，并使用遗传算法(GA)识别最佳特征。 | 四川大学华西医院电子健康档案(EHRs)的7467例手术患者 | 4个不同的概念:患者、术前数据、术中事件和术后事件。这些数据然后被用来填充一系列的测量和指标，如ASA的身体状态，葡萄糖，和其他。完整的特征列表包括基本的人口信息，如年龄、性别和身体质量指数;手术前可获得的实验室检测，例如白蛋白和总胆红素;描述性术中生命体征，如舒张压值;药物和液体干预的总结，如总输液;共病，如糖尿病;以及患者手术描述，手术类型等。 | 最终有73个特征被确定 | 随机森林(RF)，逻辑回归(LR)， XGBoost，和多层感知器(MLP)。 |
| Development and validation of the Surgical Outcome Risk Tool(SORT)（British Journal of Surgery 2014.2.1） | 现有的风险分层工具有局限性，临床经验表明它们并没有常规使用。本研究的目的是开发和验证一种术前风险分层工具，通过分析观察性国家患者结局和死亡保密调查(NCEPOD)了解风险研究的数据，预测成人非心脏手术后30天的死亡率。 | 16 788名患者 | 美国麻醉医师协会(American Society of anesthesologists)身体状况等级(ASA-PS)、手术急迫性(加急、紧急、立即)、高危外科专科(胃肠道、胸外科、血管外科)、手术严重程度(由轻到重)、癌症、年龄65岁及以上 | 6个变量 | 逻辑回归 |
1.Development and validation of machine learning models to identify high-risk surgical patients using automatically curated electronic health record data (Pythia): A retrospective, single-site study
电子健康记录（EHR）是病人的纸质记录的电子化版本。EHR是智能医疗的重要组成部分，电子健康记录可以
- 包含患者的病史，诊断，用药，治疗计划，免疫接种日期，过敏，放射影像以及实验室和测试结果。
- 允许访问基于证据的工具，医生可以使用这些工具来做出有关患者护理的决定。
- 自动化和简化医生护士工作流程。
Pythia是一个自动化的、临床管理的外科数据管道和存储库，存储来自大型、第四系、多站点的数据科学活动卫生研究所的所有外科患者电子健康记录(EHR)数据。为了更好地从复杂的数据中识别出高风险的手术患者，我们建立了一个基于Pythia的机器学习项目来预测术后并发症的风险。
肺部结节手术风险评估和手术时间预测 相关工作及可行性分析相关推荐
- 查出肺部结节该如何应对
来源:中国数字科技馆 以往门诊中,中晚期的肺癌患者居多,很多患者一查出已有远部转移,预后很差;但这几年,随着检查设备的精进,人们健康意识的提高,肺癌早期患者增多,来询问"肺结节会不会癌变,该 ...
- （2017年11月）天池医疗AI大赛肺部结节智能诊断在线分享
观看目的: 看看3年前的DL技术和当今技术(2020年9月脊柱病变检测),到底有多少进步. 感受参赛选手的思维方式. 总结和收获 竞赛要"快糙猛"的先出第一版结果,然后去在各个环节 ...
- 肺部结节智能诊断 csdn_在计算机的帮助下诊断肺部疾病
肺部结节智能诊断 csdn APPLYING MACHINE LEARNING ALGORITHMS TO PATIENT DATA IS HELPING STANFORD RESEARCHERS B ...
- 医学影像手术规划和手术导航
1.外科医生戴上HoloLens,该平台会在患者身上显示手术螺钉的正确安装位置,帮助医生快速找到这个位置.通过显示精确的角度数,来支持实时校准. 2.利用手势单独调出脊柱图,有利于医生查看和分析.可放 ...
- #时间预测算法_改进的智慧交通系统出行时间预测算法
引用 Chowdhury N K, Leung C K S. Improved travel time prediction algorithms for intelligent transporta ...
- #时间预测算法_【时间序列】时序预测竞赛之异常检测算法综述
本文将介绍在时间序列预测相关问题中常见的异常检测算法,可以很大程度上帮助改善最终预测效果. 异常分类 时间序列的异常检测问题通常表示为相对于某些标准信号或常见信号的离群点.虽然有很多的异常类型,但是我 ...
- 基于时空相关属性模型的公交到站时间预测算法
基于时空相关属性模型的公交到站时间预测算法 人工智能技术与咨询 来源:<软件学报> ,作者赖永炫等 摘 要:公交车辆到站时间的预测是公交调度辅助决策系统的重要依据,可帮助调度员及时发现晚点 ...
- AMIRA时间预测实现过程详解（含代码可直接套用）
今日学习了amira做时间预测,下面分享以下学习成果 具体思路 基本思路就是这样, 接下来带你一步步实现 白噪声检验 白噪声序列各项之间没有任何的关系,完全为无序波动,没有任何信息可提供即终止分析. ...
- 基于多任务学习的快件送达时间预测方法
1.文章信息 文章题目为<基于多任务学习的快件送达时间预测方法>,发表在计算机工程期刊上的一篇有关多任务学习预测的文章. 2.摘要 快件送达时间预测是物流领域中一项至关重要的服务.准确地预 ...
最新文章
- JBoss 系列八十一： jBPM 6 中使用 jbpm-console 创建执行 BPM 流程 - II
- ['1', '2', '3'].map(parseInt) what why ?
- 21世纪的设计模式：适配器模式
- java ee实验新闻_JAVAEE第四次作业-JSP显示新闻
- mybatis 一对多查询 按结果嵌套处理、按查询嵌套处理，以及两者之间的区别
- 请问delphix下双缓冲是自动开启的吗？
- bzoj 3398: [Usaco2009 Feb]Bullcow 牡牛和牝牛（DP）
- 特征向量、标签、模型、算法
- 非学习的点云配准方法汇总
- qmail加防病毒网关的郁闷经历
- Python Day05
- ＜一起JS(基础篇)＞4.标识符、字符串、Number、波尔值、Null和Undefined
- c 语言编写的一元二次方程的根,C#程式求一元二次方程根
- 砍价永远差一刀？拼多多法庭上回复：小数点后有6位···
- 测试中常用的正则表达式你知道哪些？
- 可能是东半球最好的多线程讲义！
- Mac pro 突然没有办法按住shift打出大写S
- 顿可集团线上订货平台开发案例
- 电信光猫获取超级管理密码
- Android在线预览pdf文件的几种方式