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.
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.
Ein flexibles Transformer-basiertes Modell, das Längsschnittdaten, Überlebenszeiten und wiederkehrende Ereignisse gleichzeitig und effektiv modelliert, um deren Wechselwirkungen zu erfassen.
Die vorgeschlagene SESA-Methode kombiniert Strukturgleichungsmodellierung und Selbstaufmerksamkeitsmechanismen, um fehlende Werte in elektronischen Gesundheitsakten präzise und zuverlässig zu ersetzen.
Ein neuartiger tiefer Lernansatz, der Transformer und Diffusionsmodelle kombiniert, um Herzfrequenz, systolischen und diastolischen Blutdruck in der Intensivstation genau und effizient vorherzusagen.
Unser Modell BNCDE schätzt die vollständige Verteilung der potenziellen Ergebnisse von Behandlungen in kontinuierlicher Zeit unter Berücksichtigung von Modell- und Ergebnisunsicherheit.
Eine neu entwickelte mehrstufige stochastische Optimierungsmethode ermöglicht eine hochgenaue und numerisch stabile Imputation fehlender Werte in großen medizinischen Datensätzen.
Eine frei verfügbare und zuverlässige Pipeline zur Verknüpfung von Arzneimittelcodes (NDC) mit Arzneimittelklassen (ATC) unter Verwendung der RxNorm-API der National Library of Medicine.
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.
Ein flexibler probabilistischer Ansatz, der Eigenschaften zukünftiger Werte elektronischer Gesundheitsakten unter Verwendung partieller Sequenzdaten vorhersagen kann.