0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線(xiàn)課程
  • 觀看技術(shù)視頻
  • 寫(xiě)文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

一種新的機(jī)器學(xué)習(xí)模型可以準(zhǔn)確地使呼叫盡早進(jìn)行

倩倩 ? 來(lái)源:互聯(lián)網(wǎng)分析沙龍 ? 作者:互聯(lián)網(wǎng)分析沙龍 ? 2020-11-15 10:16 ? 次閱讀

新型冠狀病毒顯示出了一種針對(duì)腎臟的討厭的傾向,而且醫(yī)生不能總是說(shuō)出哪些患者需要透析,直到他們這樣做。到那時(shí),挽救生命通常為時(shí)已晚。

事實(shí)證明,一種新的機(jī)器學(xué)習(xí)模型可以準(zhǔn)確地使呼叫盡早進(jìn)行,以便進(jìn)行預(yù)先計(jì)劃,準(zhǔn)備和安排患者。

西奈山伊坎醫(yī)學(xué)院的Lili Chan博士及其同事在美國(guó)腎臟病學(xué)會(huì)虛擬全國(guó)會(huì)議上描述了他們開(kāi)發(fā)和測(cè)試該算法的工作,該會(huì)議在周末結(jié)束。

該團(tuán)隊(duì)使用來(lái)自3,000例住院且COVID陽(yáng)性的患者的數(shù)據(jù)對(duì)模型進(jìn)行了訓(xùn)練。研究人員僅納入了入院48小時(shí)后收集的信息,挑戰(zhàn)了AI來(lái)預(yù)測(cè)哪些急性腎損傷患者需要透析。

在測(cè)試階段,該模型提供了很高的精度(AUC為0.79)。結(jié)果表明,最有價(jià)值的入院前預(yù)測(cè)指標(biāo)是肌酐和鉀的血藥濃度,年齡,心率和血氧飽和度的生命體征。

Chan在新聞稿中說(shuō):“使用入場(chǎng)特征的機(jī)器學(xué)習(xí)模型在預(yù)測(cè)透析需求方面具有良好的性能?!薄跋襁@樣的模型對(duì)于將來(lái)COVID-19激增期間的資源分配和計(jì)劃很有用。我們正在將該模型部署到我們的醫(yī)療系統(tǒng)中,以幫助臨床醫(yī)生更好地為患者提供護(hù)理。”

Chan及其同事在另一個(gè)最新研究項(xiàng)目中發(fā)現(xiàn),在紐約市住院的近4,000名COVID患者中,約46%患有急性腎損傷。其中,有19%需要透析,其中一半在醫(yī)院死亡。

責(zé)任編輯:lq

聲明:本文內(nèi)容及配圖由入駐作者撰寫(xiě)或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 模型
    +關(guān)注

    關(guān)注

    1

    文章

    3116

    瀏覽量

    48662
  • 機(jī)器學(xué)習(xí)

    關(guān)注

    66

    文章

    8353

    瀏覽量

    132315
  • COVID-19
    +關(guān)注

    關(guān)注

    0

    文章

    226

    瀏覽量

    10504
收藏 人收藏

    評(píng)論

    相關(guān)推薦

    AI大模型與深度學(xué)習(xí)的關(guān)系

    AI大模型與深度學(xué)習(xí)之間存在著密不可分的關(guān)系,它們互為促進(jìn),相輔相成。以下是對(duì)兩者關(guān)系的介紹: 、深度學(xué)習(xí)是AI大模型的基礎(chǔ) 技術(shù)支撐 :
    的頭像 發(fā)表于 10-23 15:25 ?310次閱讀

    AI大模型與傳統(tǒng)機(jī)器學(xué)習(xí)的區(qū)別

    AI大模型與傳統(tǒng)機(jī)器學(xué)習(xí)在多個(gè)方面存在顯著的區(qū)別。以下是對(duì)這些區(qū)別的介紹: 模型規(guī)模與復(fù)雜度 AI大
    的頭像 發(fā)表于 10-23 15:01 ?303次閱讀

    【「大模型時(shí)代的基礎(chǔ)架構(gòu)」閱讀體驗(yàn)】+ 第、二章學(xué)習(xí)感受

    常用的機(jī)器學(xué)習(xí)算法,重點(diǎn)剖析了元線(xiàn)性回歸算法,由此引出機(jī)器學(xué)習(xí)算法的運(yùn)算特征,此后分別描述了使用CPU、GPU、TPU和NPU運(yùn)行
    發(fā)表于 10-10 10:36

    【《大語(yǔ)言模型應(yīng)用指南》閱讀體驗(yàn)】+ 基礎(chǔ)知識(shí)學(xué)習(xí)

    語(yǔ)言的表達(dá)方式和生成能力。通過(guò)預(yù)測(cè)文本中缺失的部分或下個(gè)詞,模型逐漸掌握語(yǔ)言的規(guī)律和特征。 常用的模型結(jié)構(gòu) Transformer架構(gòu):大語(yǔ)言模型通常基于Transformer架構(gòu)
    發(fā)表于 08-02 11:03

    rup是一種什么模型

    RUP(Rational Unified Process,統(tǒng)建模語(yǔ)言)是一種軟件開(kāi)發(fā)過(guò)程模型,它是一種迭代和增量的軟件開(kāi)發(fā)方法。RUP是由Rational Software公司(現(xiàn)為
    的頭像 發(fā)表于 07-09 10:13 ?1111次閱讀

    Al大模型機(jī)器

    和迭代來(lái)不斷改進(jìn)自身性能。它們可以從用戶(hù)交互中學(xué)習(xí)并根據(jù)反饋進(jìn)行調(diào)整,以提高對(duì)話(huà)質(zhì)量和準(zhǔn)確性??啥ㄖ菩耘c整合性: AI大模型
    發(fā)表于 07-05 08:52

    人工神經(jīng)網(wǎng)絡(luò)模型一種什么模型

    人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,簡(jiǎn)稱(chēng)ANNs)是一種受生物神經(jīng)網(wǎng)絡(luò)啟發(fā)而產(chǎn)生的數(shù)學(xué)模型,用于模擬人腦處理信息的方式。它由大量的節(jié)點(diǎn)(或稱(chēng)為神經(jīng)元)相互連接而成
    的頭像 發(fā)表于 07-04 16:57 ?687次閱讀

    機(jī)器學(xué)習(xí)在數(shù)據(jù)分析中的應(yīng)用

    隨著大數(shù)據(jù)時(shí)代的到來(lái),數(shù)據(jù)量的爆炸性增長(zhǎng)對(duì)數(shù)據(jù)分析提出了更高的要求。機(jī)器學(xué)習(xí)作為一種強(qiáng)大的工具,通過(guò)訓(xùn)練模型從數(shù)據(jù)中學(xué)習(xí)規(guī)律,為企業(yè)和組織提
    的頭像 發(fā)表于 07-02 11:22 ?522次閱讀

    深度學(xué)習(xí)模型訓(xùn)練過(guò)程詳解

    深度學(xué)習(xí)模型訓(xùn)練是個(gè)復(fù)雜且關(guān)鍵的過(guò)程,它涉及大量的數(shù)據(jù)、計(jì)算資源和精心設(shè)計(jì)的算法。訓(xùn)練個(gè)深度學(xué)習(xí)模型
    的頭像 發(fā)表于 07-01 16:13 ?1024次閱讀

    通過(guò)強(qiáng)化學(xué)習(xí)策略進(jìn)行特征選擇

    來(lái)源:DeepHubIMBA特征選擇是構(gòu)建機(jī)器學(xué)習(xí)模型過(guò)程中的決定性步驟。為模型和我們想要完成的任務(wù)選擇好的特征,可以提高性能。如果我們處理
    的頭像 發(fā)表于 06-05 08:27 ?310次閱讀
    通過(guò)強(qiáng)化<b class='flag-5'>學(xué)習(xí)</b>策略<b class='flag-5'>進(jìn)行</b>特征選擇

    一種利用光電容積描記(PPG)信號(hào)和深度學(xué)習(xí)模型對(duì)高血壓分類(lèi)的新方法

    [22]。就像平均池化樣,最大池化是另一種用于減小特征圖大小的常用方法。它通過(guò)僅取每個(gè)區(qū)域的最大值來(lái)獲得最重要的特征。在機(jī)器學(xué)習(xí)中,池化方法的選擇
    發(fā)表于 05-11 20:01

    深入探討機(jī)器學(xué)習(xí)的可視化技術(shù)

    機(jī)器學(xué)習(xí)可視化(簡(jiǎn)稱(chēng)ML可視化)般是指通過(guò)圖形或交互方式表示機(jī)器學(xué)習(xí)模型、數(shù)據(jù)及其關(guān)系的過(guò)程。
    發(fā)表于 04-25 11:17 ?353次閱讀
    深入探討<b class='flag-5'>機(jī)器</b><b class='flag-5'>學(xué)習(xí)</b>的可視化技術(shù)

    如何使用TensorFlow構(gòu)建機(jī)器學(xué)習(xí)模型

    在這篇文章中,我將逐步講解如何使用 TensorFlow 創(chuàng)建個(gè)簡(jiǎn)單的機(jī)器學(xué)習(xí)模型
    的頭像 發(fā)表于 01-08 09:25 ?895次閱讀
    如何使用TensorFlow構(gòu)建<b class='flag-5'>機(jī)器</b><b class='flag-5'>學(xué)習(xí)</b><b class='flag-5'>模型</b>

    什么是機(jī)器學(xué)習(xí)?它的重要性體現(xiàn)在哪

    機(jī)器學(xué)習(xí)一種人工智能(AI)的子領(lǐng)域,旨在使計(jì)算機(jī)系統(tǒng)通過(guò)經(jīng)驗(yàn)自動(dòng)學(xué)習(xí)和改進(jìn),而無(wú)需明確地進(jìn)行
    的頭像 發(fā)表于 01-05 08:27 ?1346次閱讀
    什么是<b class='flag-5'>機(jī)器</b><b class='flag-5'>學(xué)習(xí)</b>?它的重要性體現(xiàn)在哪

    LabVIEW進(jìn)行癌癥預(yù)測(cè)模型研究

    ,然后將得到的特征向量輸入到SVM中進(jìn)行分類(lèi)。 LabVIEW是一種視覺(jué)編程語(yǔ)言,與傳統(tǒng)的文本編程語(yǔ)言不同,更適合于進(jìn)行復(fù)雜數(shù)據(jù)分析和預(yù)測(cè)模型的開(kāi)發(fā)。 LabVIEW使用數(shù)據(jù)流
    發(fā)表于 12-13 19:04