论文写作笔记3:JAMIA-相关论文
JAMIA
Journal of the American Medical Informatics Association
https://amia.org/news-publications/journals/jamia
https://academic.oup.com/jamiaopen?login=true
JCR Q1/Q2; CCF 综合B.
中科院分区: 医学1区计算机2区管理学2区top
搜索中的期刊文章仅直接链接到期刊站点的公共页面。对于仅限会员访问JAMIA或应用临床信息学杂志文章的全员访问
生物医学和健康信息学同行评审期刊.
包括方向: 临床护理，临床研究，转化科学，实施科学，成像，教育，消费者健康，公共卫生和政策等领域
Suzanne Bakken是主编，领导着一个由信息学领导者组成的团队
关键词
肝移植Liver Transplantation
术后并发症Postoperative complication forecast/ predicting
分类预测Classification forecast/ predicting
决策Decision-making
高维小样本High Dimension and Low Sample Size Data
迁移学习Transfer learning(都是CV/NLP)
机器学习machine learning
JAMIA的论文总量相对偏少, 其中还有一部分是自动化临床管理系统方面的, 但是剩下的目前粗略看下来感觉和我们项目相关度更高些, 用机器学习方法的, 和任务是预测并发症的比较多.
在找到的论文中看作者专业, JAMIA偏医学多一些.
肝移植Liver Transplantation
其他无关论文均为应用方向:
(JAMIA)使用自动化临床管理系统的效果
(JAMIA)实施计算机警报后效果
(JAMIA) 输入动态电子健康记录HER的系统开发
(ACI)调查问卷定性分析使用CDS(计算机化临床决策支持)可能性与阻碍
| 论文主题 | 论文发表时间 | 作者背景 | 被引 | 备注 | |
| 1 |
基于机器学习, 预测移植术后1、3和5年的住院情况 Machine learning–based prediction of health outcomes in pediatric organ transplantation recipients |
2021.5 | 信息(通讯医学) | 0 |
勘误之后效果很拉. 但是缺失值填充等方法可以借鉴 |
| 2 |
一种基于可能性的卷积方法，用于估计纵向健康记录数据中的主要健康事件：外部验证研究 A likelihood-based convolution approach to estimate major health events in longitudinal health records data: an external validation study |
2021.9 | 统计(通讯医学) | 0 | 付费下载 |
1.基于机器学习的儿科器官移植受者健康结果预测
论文主题
Machine learning–based prediction of health outcomes in pediatric organ transplantation recipients
https://academic.oup.com/jamiaopen/article/4/1/ooab008/6168494
论文doi
https://doi.org/10.1093/jamiaopen/ooab008
发表时间:2021.5
作者背景:信息(通讯 医学)
被引量:0
期刊:(JAMIA Open)
勘误
https://doi.org/10.1093/jamiaopen/ooab034
修正DL得到的ROC 0.85->0.59
目标
预测移植术后1、3和5年的住院情况
输入
输出
方法
Logistic回归、朴素贝叶斯、支持向量机和深度学习(DL)方法
使用Shapley加性解释(Shap)来增加DL模型结果的可解释性。
确定各种器官类型的显著预测因子(salient predictors across organ types), 其中包括各种医学、患者和社会特征(Various medical, patient, and social variables)
数据
样本来自大型儿科器官移植中心的儿童肾、肝和心脏移植受者
结果
主要贡献
不足可改进
备注
对更正表示钦佩
效果很拉, 但是缺失值填充等方法可以借鉴
缺失值填充: 随机森林插补（missforest）
Python包使用说明:
https://www.cnpython.com/pypi/missing
摘要
目标
预测移植后健康结果
关键影响因素的识别
目前研究通常依赖于普通线性模型之类的技术提供有限的预测效果; 数据驱动的模型和机器学习 (ML) 方法在儿科移植结果研究中的应用和成功有限。
当前研究的目的: 检验(examine) ML 模型预测患者住院情况的效果
样本来自大型实体器官移植计划的儿童肾、肝和心脏移植受者
材料和方法
Logistic回归、朴素贝叶斯、支持向量机和深度学习(DL)方法
使用来自一家大型儿科器官移植中心的患者和管理数据
using patient and administrative data from a large pediatric organ transplant center.
预测移植后1、3和5年的住院情况
predict 1-, 3-, and 5-year post-transplant hospitalization
结果
DL模型相比传统的ML模型, 在各种器官类型和预测时间窗(organ types and prediction windows)上都没提升
ROC曲线下面积(area under the receiver operating characteristic curve)取值范围为0.5~0.593。使用Shapley加性解释(Shap)来增加DL模型结果的可解释性。
确定各种器官类型的显著预测因子(salient predictors across organ types), 其中包括各种医学、患者和社会特征(Various medical, patient, and social variables)
讨论&结论
DL模型预测术后风险效果很拉, 如果有大量样本说不定会好点.
2. 一种基于可能性的卷积方法，用于估计纵向健康记录数据中的主要健康事件：外部验证研究
论文主题
A likelihood-based convolution approach to estimate major health events in longitudinal health records data: an external validation study
论文doi
https://doi.org/10.1093/jamia/ocab087
论文发表时间/作者背景
2021.9 统计(通讯医学)
不看引用量了, 这新发的基本没什么引用
被引量0
目标
基于相关事件时间戳估计缺失事件时间戳
估算患者需要进行肝移植的日期
输入
输出
方法
基于卷积的变化检测
数据
验证数据: 来自国家确定的临床索赔OptomLabs数据库的数据
测试数据: 来自M Health Fairview系统的单中心(single center)数据集
结果
整个时间段估计的真实日期与估计日期之间的中位误差(median error)为零天，
移植的中位误差分别为92%(训练集)和84%(测试集)
主要贡献
不足可改进
备注
逻辑给人感觉还不错(有说服力)
摘要
目的
在电子健康记录数据中，由重大生理或治疗变化定义的重大健康事件的确切时间戳通常缺失
基于相关数据元素时间戳估计健康事件时间戳
材料和方法
基于卷积的变化检测方法
验证数据: 来自国家确定的临床索赔OptomLabs数据库的数据
测试数据: 来自M Health Fairview系统的单中心(single center)数据集
结果
估算患者需要进行肝移植的日期
整个时间段估计的真实日期与估计日期之间的中位误差(median error)为零天，
移植的中位误差分别为92%(训练集)和84%(测试集)
讨论
估计时间戳效果好
外部验证也效果好, 用在其他数据不足的系统应该也好用
此次用的是肝移植，但是其他有准确时间戳的多个相关事件预测事件应该也好用
结论
可以利用相关事件的时间戳来估计缺失的时间戳
由于该模型是在具有全国代表性的数据集上开发的，因此可以成功地迁移到当地卫生系统，而不会造成严重的准确性损失
并发症预测complication predicting
| 论文主题 | 论文发表时间 | 作者背景 | 被引 | 备注 | |
| 1 |
机器学习算法预测糖尿病的并发症 Predicting complications of diabetes mellitus using advanced machine learning algorithms |
2020.9 | 数据分析和生物医学信息学中心 | 7 | |
| 2 |
SVM预测PCI并发症 Predicting complications of percutaneous coronary intervention using a novel support vector method |
2013.4 | 医学(通讯计算机) | 3 | |
| 3 |
机器学习方法预测压力损伤(一种并发症) Predicting pressure injury using nursing assessment phenotypes and machine learning methods |
2021.2 | 医学 | 2 | 付费下载 |
| 4 |
预测门诊手术患者的术后恶心和呕吐 An improved model for predicting postoperative nausea and vomiting in ambulatory surgery patients using physician-modifiable risk factors |
2012.11 | 医学 | 23 | 太偏医学了 |
1. 机器学习算法预测糖尿病的并发症
论文主题
Predicting complications of diabetes mellitus using advanced machine learning algorithms
论文doi
https://doi.org/10.1093/jamia/ocaa120
论文发表时间&作者背景
2020.9 数据分析和生物医学信息学中心
被引量7
目标
预测2型糖尿病(DM2)患者是否会发生10种选定的并发症
输入
输出
方法
预测2型糖尿病（DM2）患者是否会出现10种选定的并发症
RNN, 长短期记忆（LSTM）和RNN门控递归单元（GRU）深度学习方法，并与随机森林和多层感知器传统模型进行了比较
数据
2003年至2011年期间在加利福尼亚州医疗成本和利用项目州住院患者数据库
结果
主要贡献
不足可改进
备注
摘要
目的
预测2型糖尿病(DM2)患者是否会发生10种选定的并发症
材料和方法
2003年至2011年期间在加利福尼亚州医疗成本和利用项目州住院患者数据库
使用递归神经网络(RNN)、长短期记忆(LSTM)和RNN门控递归单元(GRU)深度学习方法，并与随机森林和多层感知器传统模型进行了比较
给定糖尿病诊断和并发症诊断之间对应最小住院次数(3种最小次数分别训练看准确性)，比较所选并发症的预测准确性。
结果
(The diagnosis domain was used for experiments在实验中使用了诊断?)
RNN GRU模型效果最好，准确率在73%(心肌梗死)到83%(慢性缺血性心脏病)
传统模型的准确率在66%到76%之间
讨论
住院次数是影响预测准确性的重要因素。4次住院试验的准确性明显高于2次住院试验
为了达到更高的准确性，深度学习模型需要对至少1000名患者进行训练，如果训练数据集只有500名患者，准确率会显着下降
并发症的预测准确率随着时间的推移而下降
抑郁障碍和慢性缺血性心脏病的诊断准确率最高。
结论
RNN GRU最好
2.SVM预测PCI并发症
论文主题
Predicting complications of percutaneous coronary intervention using a novel support vector method
论文doi
https://academic.oup.com/jamia/article/20/4/778/820344
论文发表时间&作者背景
2013.4 医学(通讯计算机)
被引量3
目标
预测实验13种不同的PCI并发症
输入
输出
方法
逻辑回归 （LR）、单类支持向量机分类 （OC-SVM） 和两类支持向量机分类 （TC-SVM）。对于OP-SVM和TC-SVM方法，还考虑了具有成本敏感权重的算法变体。
数据
(BMC2)多中心注册中心2007年和2008年的数据(n=41016)
对比其他分类器训练时使用BMC2 data from 2009 (n=20 289)
结果
主要贡献
不足可改进
备注
摘要
目的
基于增强型单类学习算法
预测冠状动脉介入治疗(PCI) in-laboratory并发症
材料与方法
使用密歇根心血管联盟蓝十字蓝盾(BMC2)多中心注册中心2007年和2008年的数据(n=41016)，
一加类(one-plus-class)向量机(OP-SVM)算法训练模型
预测实验13种不同的PCI并发症
对比分类器(训练时使用BMC2 data from 2009 (n=20 289)): Logistic回归(LR)、一类支持向量机分类(OC-SVM)和两类支持向量机分类(TC-SVM)。对于OP-SVM和TC-SVM方法，还考虑了具有代价敏感权重的算法的变体
结果
对于所研究的大多数PCI并发症(8例)，OP-SVM算法及其成本敏感变体的ROC曲线下面积最高
Hosmer-Lemeshow的χ2值(7例)和平均交叉熵误差(8例)也有类似的改善。
结论
OP-SVM算法相对于LR和传统的支持向量机分类提高了对不同PCI并发症的识别率和校正能力
3. 机器学习方法预测压力损伤(一种并发症)
论文主题
Predicting pressure injury using nursing assessment phenotypes and machine learning methods
论文doi
https://doi.org/10.1093/jamia/ocaa336
论文发表时间&作者背景
2021.2 医学
被引量 2
目标
预测并发症(压力性损伤)
两种压力损伤表型：非医院获得性压力损伤(N=4398)和医院获得性压力损伤(N=1767)
输入
28个临床特征
输出
方法
各种机器学习预测模型
随机森林模型表现最好
五折交叉验证
数据
电子病历数据
结果
主要贡献
不足可改进
备注
摘要
目的
预测并发症(压力性损伤)
基于机器学习，使用来自护士输入的直接患者评估数据的表型(phenotypes)
方法
电子病历数据，包括护士输入的完整评估记录
基于机器学习的压力性损伤预测模型
五折交叉验证来评价模型的性能
结果
定义了两种压力损伤表型：非医院获得性压力损伤(N=4398)和医院获得性压力损伤(N=1767)，代表了两种截然不同的临床情景
总共提取了28个临床特征，并建立了两种压力损伤表型的多机器学习预测模型。
随机森林模型表现最好，在2个测试集中分别达到0.92和0.94的AUC。
格拉斯哥昏迷量表是两组患者最重要的特征(一种意识水平测量方法)
4. 预测门诊手术患者的术后恶心和呕吐
论文主题
An improved model for predicting postoperative nausea and vomiting in ambulatory surgery patients using physician-modifiable risk factors
论文doi
https://academic.oup.com/jamia/article/19/6/995/730069
论文发表时间&作者背景
2012.11 医学
被引量 23
目标
使用16个患者相关、手术和麻醉预测因子来开发逻辑回归模型
输入
16个与患者相关的、手术的和麻醉的预测因子
输出
方法
Logistic回归模型
实验模型(EM)与原始Apfel模型(OAM)、修正的Apfel模型(RAM)、简化的Apfel风险评分(SARS)和修正的辛克莱模型(RSM)进行比较
数据
2505例门诊手术病例资料
结果
主要贡献
不足可改进
备注
太偏医学了
摘要
目的
术后恶心呕吐(PONV)是门诊手术患者常见的并发症
结合不可修改(non-modifiable)的患者特征和可修改(modifiable)的从业者特定的麻醉实践来预测患者患PONV的风险
材料与方法
2505例门诊手术病例资料
16个与患者相关的、手术的和麻醉的预测因子被用来建立Logistic回归模型
experimental model (EM)与原始Apfel模型(OAM)、修正的Apfel模型(RAM)、简化的Apfel风险评分(SARS)和修正的辛克莱模型(RSM)进行比较，检验用曲线下面积(AUC)
结果
EM包含11个输入变量。EM的AUC为0.738，OAM为0.620，RAM为0.629，SARS为0.626，RSM为0.711。
EM与所有其他模型、OAM与RSM、RAM与RSM、SARS与RSM之间的AUC差异均有统计学意义(P<0.05)
讨论
只有OAM效果很拉, 其他都还行
结论
EM效果好
论文写作笔记3:JAMIA-相关论文相关推荐
- 论文写作笔记2:AIME-相关论文
肝移植Liver Transplantation 论文主题 论文发表时间 作者背景 被引 1 动态加权进化+神经网络解决类别不平衡 (结合供体.复位和手术特征的器官分配, 有序多分类问题) Dynam ...
- 叶培贵｜书法论文写作应注意的相关问题
叶培贵|书法论文写作应注意的相关问题 兰亭书会 2020-08-07 明确研究方向 我们做研究,要清楚研究的基本类型,进一步说,当你准备写一篇文章的时候,一定要明确你这篇文章属于哪个类别.目前书法研究 ...
- 国际学术论文写作笔记01科学论文的构思、撰写与发表
论文写作就是将研究数据转变成科学知识 科学论文是记录原创性科学研究的结果(research article),或是综述已有科学发现及其发展(review),并将正式发表或出版的书写文件 科学论文,无要 ...
- [论文写作笔记] C8 讨论用于增加论文厚度
文章目录 8.1 是否分开写 8.2 讨论包含的内容 8.2.1 概括关键发现 8.2.2 解释关键发现,分析原因 8.2.3 同其他研究对比,佐证结果合理性 8.2.4 理论意义或应用价值,体现成果 ...
- [论文写作笔记] C4以小窥大的摘要 C5 讲故事一样的引言
文章目录 C4 以小窥大的摘要 4.1 摘要重要性 4.2 摘要要求及案例 4.3 结构化写作方法 Background(研究背景) Topic(研究话题) Methods(研究方法) Results ...
- 论文写作笔记0：如何寻找论文
找计算机方面,医学方面,发表交叉学科论文的好期刊 师兄建议计算机方面的在dblp搜: https://dblp.org 搜索时直接用自己项目预测目标的关键字 然后看所发表的期刊会议直接看Ccf目录: ...
- 【多目标跟踪论文阅读笔记——2021年CVPR论文粗读记录】
[阅读心得] 多目标跟踪经典论文--2021CVPR论文粗读记录 前言 一.学习策略类 QDTrack 二.Temporal-Spatial 类 TADAM Alpha-Refine TraDes C ...
- 用论文写作平台Overleaf写中文论文
向大家推荐一下一个非常好用的论文写作平台,Overleaf. 能看到这篇文章,说明你也在考虑写论文或者正在写论文,那么你肯定也听说过Latex编辑器. 我在最早时候写硕士论文都是用Microsoft的 ...
- 【论文写作】如何写科技论文？万能模板！！！（以IEEE会议论文为例）
0. 写在前面 常言道,科技论文犹如"八股文",有固定的写作模式.本篇博客主要是针对工程方面的论文的结构以及写作链条的一些整理,并不是为了提高或者润色一篇论文的表达.基本上所有的论 ...
最新文章
- 莫言：不要在不喜欢你的人那丢掉快乐
- mysql python 3.5_python3.5 与 mysql 交互
- 41状态模式(State Pattern)
- outlook+app+android,微软Outlook Web App抢占Android平台
- oracle和mysql数据实时同步_FileYee文件实时同步备份软件，再不怕数据丢失
- 【操作系统】Nachos 内核线程
- 测试鼠标宏软件,KINBAS VP900鼠标宏设置软件
- 调优为王！阿里巴巴彩版java性能调优实战，终于到手了！文末福利
- 用这本书《现在，发现你的优势》，识别了自己的典型优势
- matplotlb之柱形图与盒形图
- rabbitmq报错An unexpected connection driver error occured
- 数学定理【转自百度百科】
- 区块链和博弈论（以下转载自网络）
- lego loam 安装过程与问题处理
- Excel插入图片实现单击放大或缩小
- 点击跳出商务通对话框
- php 解析md文件格式,Git中Read.MD文件格式：Markdown语言详解
- Quartus16怎么修改IP核
- html-盒子模型-垂直布局
- 怎样用计算机演示声音的波形,利用音频APP演示声音特性的创新实验——智能手机上的中学物理实验创新之一...