Vorhersage schwerwiegender postoperativer Komplikationen mithilfe eines föderalen Lernmodells
Ein föderales Lernmodell kann robuste und generalisierbare Modelle zur Vorhersage schwerwiegender postoperativer Komplikationen aus verteilten Datensätzen mehrerer Krankenhäuser entwickeln, ohne dabei den Datenschutz zu gefährden.
Dynamische Online-Übertragung von Wissen für die Erkennung von RSV-Fällen
Ein adaptives Ensemble-Modell, das historisches Wissen aus mehreren Quellen mit neu erworbenen Daten kombiniert, um die Erkennung von RSV-Fällen in Notaufnahmen zu verbessern.
Flexibles Transformer-basiertes Modell zur gemeinsamen Analyse von Längsschnittdaten, Überlebenszeiten und wiederkehrenden Ereignissen
Ein flexibles Transformer-basiertes Modell, das Längsschnittdaten, Überlebenszeiten und wiederkehrende Ereignisse gleichzeitig und effektiv modelliert, um deren Wechselwirkungen zu erfassen.
Verbesserung der Datenimputation durch Strukturgleichungsmodellierung mit Selbstaufmerksamkeit für elektronische Gesundheitsakten
Die vorgeschlagene SESA-Methode kombiniert Strukturgleichungsmodellierung und Selbstaufmerksamkeitsmechanismen, um fehlende Werte in elektronischen Gesundheitsakten präzise und zuverlässig zu ersetzen.
Ein auf Transformer basierendes Diffusions-Wahrscheinlichkeitsmodell zur Vorhersage von Herzfrequenz und Blutdruck in der Intensivstation
Ein neuartiger tiefer Lernansatz, der Transformer und Diffusionsmodelle kombiniert, um Herzfrequenz, systolischen und diastolischen Blutdruck in der Intensivstation genau und effizient vorherzusagen.
Bayesianische neuronale kontrollierte Differenzialgleichungen zur Schätzung von Behandlungseffekten
Unser Modell BNCDE schätzt die vollständige Verteilung der potenziellen Ergebnisse von Behandlungen in kontinuierlicher Zeit unter Berücksichtigung von Modell- und Ergebnisunsicherheit.
Effiziente Verarbeitung und Analyse großer medizinischer Datensätze durch mehrstufige stochastische Optimierung zur Imputation fehlender Werte
Eine neu entwickelte mehrstufige stochastische Optimierungsmethode ermöglicht eine hochgenaue und numerisch stabile Imputation fehlender Werte in großen medizinischen Datensätzen.
Eine Pipeline zur Klassifizierung von Medikamenten in Medicaid-Abrechnungen mithilfe von RxNorm
Eine frei verfügbare und zuverlässige Pipeline zur Verknüpfung von Arzneimittelcodes (NDC) mit Arzneimittelklassen (ATC) unter Verwendung der RxNorm-API der National Library of Medicine.
Sichere und interpretierbare Schätzung optimaler Behandlungsregime für kritisch kranke Patienten
Unser Ansatz ermöglicht die sichere und interpretierbare Schätzung optimaler Behandlungsregime für kritisch kranke Patienten, die an Krampfanfällen leiden. Durch die Verwendung von Mechanistischen Modellen und Distanzmetrik-Lernen können wir personalisierte Behandlungsstrategien entwickeln, die die Ergebnisse für die Patienten verbessern.
Vorhersage von Krankenhausaufenthalten mithilfe probabilistischer Modelle auf Basis elektronischer Gesundheitsakten
Ein flexibler probabilistischer Ansatz, der Eigenschaften zukünftiger Werte elektronischer Gesundheitsakten unter Verwendung partieller Sequenzdaten vorhersagen kann.
© 2024 by Linnk AI