Vorhersage von Überlebenszeit und Ereignissen bei Patienten mit primärer biliärer Cholangitis unter Verwendung von zeitabhängigen und zeitunabhängigen Prädiktoren
Durch den Einsatz von Random-Forest-Methoden, die sowohl zeitabhängige als auch zeitunabhängige Prädiktoren berücksichtigen, können Überlebenszeiten und Ereignisse bei Patienten mit primärer biliärer Cholangitis genauer vorhergesagt werden.
Automatisierte Patientenrekrutierung für klinische Studien durch Einsatz von Großen Sprachmodellen
Große Sprachmodelle können die Identifizierung geeigneter Patienten für klinische Studien erheblich beschleunigen und effizienter gestalten.
Von Algorithmen zu Handlungen: Eine verbesserte Patientenversorgung erfordert Kausalität
Vorhersagemodelle, die auf historischen Behandlungsentscheidungen basieren, können zu schädlichen Behandlungsentscheidungen führen, auch wenn sie in Validierungsstudien eine hohe Genauigkeit aufweisen. Um den Wert für Behandlungsentscheidungen zu beurteilen, müssen die Auswirkungen des Einsatzes des Modells auf Behandlungsentscheidungen und Patientenoutcomes evaluiert werden.
Nutzung von KI und Social-Media-Analytik zur Entdeckung unerwünschter Nebenwirkungen von GLP-1-Rezeptoragonisten
Durch den Einsatz von KI-gestützter Analyse von Sozialen Medien können bisher unbekannte unerwünschte Nebenwirkungen von GLP-1-Rezeptoragonisten identifiziert werden, um die Patientensicherheit zu erhöhen.
Digitale Zwillinge für klinische Studien durch Großsprachmodelle
TWIN-GPT kann personalisierte digitale Zwillinge für Patienten erstellen, um die Vorhersage von Ergebnissen klinischer Studien zu verbessern und gleichzeitig den Datenschutz zu gewährleisten.
Anwendung von Maschinenlernalgorithmen zur Klassifizierung des postoperativen Erfolgs in der metabolischen bariatrischen Chirurgie: Eine umfassende Studie
Verschiedene Maschinenlernmodelle, einschließlich Gaussian Naive Bayes, Complement Naive Bayes, K-Nearest Neighbour, Entscheidungsbaum und Überabtastungstechniken, wurden angewendet, um den Behandlungserfolg von Patienten nach metabolischer bariatrischer Chirurgie vorherzusagen. Die Ergebnisse zeigen, dass sozioökonomische und psychometrische Variablen die besten Vorhersagen liefern.
Vorhersage von Sterblichkeit, Intensivpflichtigkeit und Beatmungsdauer für COVID-19-Patienten mithilfe von 122 Parametern und Künstlicher Intelligenz (KI)
Geeignete Algorithmen des Maschinellen Lernens mit sorgfältig ausgewählten Merkmalen können die Sterblichkeit, den Bedarf an Intensivpflege und die Beatmungsdauer von COVID-19-Patienten genau vorhersagen. Solche Modelle können in Notfällen und Pandemien sehr nützlich sein, da sie eine prompte und präzise Entscheidungsfindung ermöglichen.
Generalisierbarkeit von Klassifizierern für die Teilnahmekriterien von Krebsklinischen Studien auf andere Krankheiten
Modelle, die auf Daten von Krebsklinischen Studien trainiert wurden, können die Teilnahmekriterien für andere Krankheiten wie Herz-Kreislauf-Erkrankungen und Diabetes effektiv handhaben, haben aber Schwierigkeiten mit Kriterien, die spezifisch für Krebsstudien sind.
Effiziente Methode zum Extrahieren und Bearbeiten von Wissen aus großen Sprachmodellen
Eine zweistufige Methode, die große Sprachmodelle mit Wissensgrafen kombiniert, um die Leistung bei der Verarbeitung komplexer Texte mit begrenzten Daten zu verbessern.
Präzise und interpretierbare Vorhersage von Arzneimittelwechselwirkungen durch Lernen von Wissensuntergraphen
KnowDDI, eine auf Graphneuronalnetzen basierende Methode, verbessert die Darstellung von Arzneimitteln, indem sie adaptiv Informationen aus großen biomedizinischen Wissensgraphen nutzt. Außerdem lernt KnowDDI einen Wissensuntergraphen für jedes Arzneimittelpaar, um die vorhergesagten Arzneimittelwechselwirkungen zu interpretieren.
© 2024 by Linnk AI