- 综合排序
- 最热优先
- 最新优先
- 来自专栏DrugOne
基于机器学习的临床决策支持
corr() plt.figure(figsize=(14,14)) sns.heatmap(corr, cbar = True, square = True, annot=True, fmt= '.2f classification_model(model,traindf,predictor_var,outcome_var) Accuracy : 91.206% Cross-Validation Score : 90.206% 决策树模型
64820发布于 2021-01-28 - 来自专栏DrugOne
基于机器学习的临床决策支持-ANN
, MaxPooling2D from keras import backend as K import numpy as np import pandas as pd from matplotlib 模型训练： #Using 2 Sigmoid Layers and RMSprop optimizer model2 = Sequential() model2.add(Dense(500, activation ,epochs=3000, batch_size=128,verbose=0) score = model2.evaluate(mat[:398,1:],mat[:398,0], verbose=0, print('Train accuracy:', score[1]) Train loss: 0.00821199454791287 Train accuracy: 1.0 score = model2. :', score2[0]) print('Validation accuracy:', score2[1]) Validation loss: 0.0804629116945448 Validation
49330发布于 2021-01-28 - 来自专栏生信菜鸟团
从肿瘤突变列表到辅助临床决策
医生们则会在拿到这份报告之后再结合病人的实际病情进行临床决策。 那如何根据突变数据进行临床决策呢？ MTBP为CCE的7个综合性癌症中心解读肿瘤患者测序结果提供了统一的框架和发布平台，并已经在2019年到2020年进行的一项2期临床实验中，为500个晚期实体瘤患者提供了分析结果。 通过阅读这篇文献，你一方面可以了解目前的生物标志物物相关高频基因和高频突变位点（有附件可下载），另一方面可以了解临床决策的基本逻辑和重要数据库，最后还能获得一个即刻可用的在线突变注释工具MTBP。 ---- 肿瘤变异的临床解读 临床决策支持系统的最终目标是根据最先进的证据，将NGS的结果转化为最合适的治疗决策。 影响肿瘤药物反应（敏感性或耐药性）和具有诊断或预后价值的变异不断被报道。 以一个具有BRCA2、CDKN2A和AKT1突变的浆液性卵巢癌为例，在线报告包括了如下几项内容。
76830编辑于 2022-04-08 - 来自专栏临床预测模型
临床预测模型—基于dcurves包的临床决策曲线(DCA)绘制学习
关于概念，可以阅读笔者的或者其他老师的推文：https://mp.weixin.qq.com/s/pHVwjQd2Se3nKl601j1meg分析流程1.导入rm(list = ls())library stringr)library(survival)library(survminer)library(dcurves)proj <- "ttt"load('data.Rdata') # TCGA-HNSC数据2. FEMALE","0","1"))data$neoadjuvant <- as.numeric(ifelse(data$neoadjuvant=="No","0","1"))# 数据分割 7:3,8:2 净收益考虑了模型在某个阈值下的灵敏度（True Positives）与特异性（False Positives），提供了一种可以用于临床实际决策的量化指标。 https://mp.weixin.qq.com/s/i7qkTd0QZnfmbj9kL0mIBQ木天琳neuron: https://mp.weixin.qq.com/s/bfOBlYEGL9tgn2V2OXTSDw
89310编辑于 2024-11-24 - 来自专栏医学和生信笔记
文献学习：机器学习帮助临床决策
是一篇不错的临床数据挖掘、机器学习方面的文章。 Kohei Hasegawa Date: 2019-01-04 DOI: 10.1001/jamanetworkopen.2018.6937 ♾️Abstract 略 文章思路 “这是一篇机器学习用于临床数据决策的文章 傻傻分不清楚 模型预测结果 5个模型预测的结果，通过ROC曲线（也就是C-index）和决策曲线展示： 这里展示了5个模型预测危急重症的能力，需要注意，作者把2个结果分开计算，分开展示的。 临床预测模型之二分类资料ROC曲线绘制 临床预测模型之生存资料的ROC曲线绘制 生存资料ROC曲线的最佳截点和平滑曲线 二分类资料的DCA决策曲线分析 生存资料的决策曲线分析DCA 除此之外，作者还计算了二分类资料的一些常见指标 ，比如敏感性、特异性、阳性预测值、阴性预测值、 阳性似然比、阴性似然比，结果作为表2呈现： 如果你还不知道这些指标，建议回头读一下之前的推文，临床预测模型之二分类资料ROC曲线绘制，里面有详细的介绍~
54220编辑于 2022-11-15 AI如何构建安全的临床决策支持系统
某中心，2025年12月10日——在世界卫生组织警告医疗保健领域的人工智能发展速度可能快于安全标准跟进之际，一位医生兼首席执行官指出，当前讨论忽略了一个关键点：由临床构建并由临床治理的AI，如今可能已成为医学领域最强大的救生工具之一 随着对能够减轻行政负担并增强诊断准确性的可信临床工具的需求激增，该公司相信其由数百名临床医生历时十多年构建的方法论，正是行业所需的模式。 “我们仅将大语言模型用作呈现层——绝不作为临床判断的来源，”Hamza博士说。“GLM内部生成的临床路径、鉴别诊断和建议，都基于经过审查的、循证的医学知识。” “这种设计确保了AI被用于支持而非取代医疗专业人员——增强了安全性，改善了决策，并最终为患者带来更好的结果，”他继续说道。“医疗领域的创新必须快速推进，但也必须安全进行。我们的承诺是两者兼顾。” 其专有技术的基石是全球医学库（GLM），这是一个经过临床验证的决策支持系统，由全球数百名医生的意见共同开发而成。
10110编辑于 2026-01-16- 来自专栏天意云&天意科研云&天意生信云
《Nature》发表：AI运用在医疗临床决策支持的系统评估
这篇今天3月发表在《Nature》文献，针对临床决策支持任务的 ChatGPT、Google 搜索和 Llama 2 的系统分析 文献地址：https://www.nature.com/articles /s41467-024-46411-8 Abstract 作者评估了GPT-3.5和GPT-4在临床上的准确性，为110个医疗病例提供初步诊断、检查步骤和治疗建议。 此外，还评估了开源Llama 2模型的两种配置。为了对诊断任务进行基准测试，我们进行了简单的谷歌搜索进行比较。 结果的详细信息参见补充图 2 和补充数据 1。 a：GPT-3·5 与 GPT-4 与 Google 的诊断性能对比。 小编总结 GPT-4 > GPT-3.5 ≈ Google > Llama 2
38710编辑于 2025-03-06 - 来自专栏拓端tecdat
R语言决策树、随机森林、逻辑回归临床决策分析NIPPV疗效和交叉验证
p=32295 原文出处：拓端数据部落公众号 临床决策(clinical decision making)是医务人员在临床实践过程中，根据国内外医学科研的最新进展,不断提出新方案，与传统方案进行比较后, 本文帮助客户进行决策分析NIPPV疗效数据，在充分评价不同方案的风险及利益之后推荐一个最佳的方案，最大限度地保障患者权益，减少临床实践及卫生决策失误。 决策树分析步骤 决策树分析法是通过决策树图形展示临床重要事件的可能发展过程及结局，比较各种备选方案的预期结果从而进行择优决策的方法。决策树分析法通常有6个步骤。 对结论进行敏感性分析 由于临床实践中的事件发生概率值及健康状态的效用值等都可能在一定范围内变动，需要进行敏感性分析。 109 112 113 118 123 134 139 140 143 ## 2 2 2 2 2 2 1 1 1 2 2 2 1 交叉验证 决策树交叉验证
48800编辑于 2023-05-05 - 来自专栏拓端tecdat
R语言决策树、随机森林、逻辑回归临床决策分析NIPPV疗效和交叉验证
p=32295 临床决策(clinical decision making)是医务人员在临床实践过程中，根据国内外医学科研的最新进展,不断提出新方案，与传统方案进行比较后,取其最优者付诸实施，从而提高疾病诊治水平的过程 本文帮助客户进行决策分析NIPPV疗效数据，在充分评价不同方案的风险及利益之后推荐一个最佳的方案，最大限度地保障患者权益，减少临床实践及卫生决策失误。 决策树分析步骤 决策树分析法是通过决策树图形展示临床重要事件的可能发展过程及结局，比较各种备选方案的预期结果从而进行择优决策的方法。决策树分析法通常有6个步骤。 对结论进行敏感性分析 由于临床实践中的事件发生概率值及健康状态的效用值等都可能在一定范围内变动，需要进行敏感性分析。 109 112 113 118 123 134 139 140 143 ## 2 2 2 2 2 2 1 1 1 2 2 2 1 交叉验证 决策树交叉验证
44320编辑于 2023-08-30 - 来自专栏云社区全球资讯抢先看
Petuum新研究助力临床决策：使用深度学习实现自动ICD编码
原标题:学界 | Petuum新研究助力临床决策：使用深度学习实现自动ICD编码 Petuum 专栏 作者：Haoran Shi、Pengtao Xie、Zhiting Hu、Ming Zhang、Eric 它在报告疾病和健康情况、协助医疗报销决策、收集发病率和死亡率统计数据等方面有着广泛的应用。 尽管 ICD 编码对制定临床和财务决策而言非常重要，但医疗编码（medical coding，即在患者就诊时为其分配正确的 ICD 编码）很耗时、易出错且成本高昂。 医疗编码人员需要查阅医生对一次临床事件用文本短语和句子写的诊断描述以及（如有必要）电子病历中的其它信息，然后再按照编码指导以人工的方式分配合适的 ICD 编码。这个过程中有几种常出现的错误。 Deep Learning） 论文地址：https://arxiv.org/abs/1711.04075 摘要：国际疾病分类（ICD）是一个权威的医疗分类系统，其中包含了不同的疾病和健康状况，可应用于临床和管理
1.3K00发布于 2017-12-27 - 来自专栏机器之心
学界 | Petuum新研究助力临床决策：使用深度学习实现自动ICD编码
它在报告疾病和健康情况、协助医疗报销决策、收集发病率和死亡率统计数据等方面有着广泛的应用。 尽管 ICD 编码对制定临床和财务决策而言非常重要，但医疗编码（medical coding，即在患者就诊时为其分配正确的 ICD 编码）很耗时、易出错且成本高昂。 论文地址：https://arxiv.org/abs/1711.04075 摘要：国际疾病分类（ICD）是一个权威的医疗分类系统，其中包含了不同的疾病和健康状况，可应用于临床和管理。 整体架构如图 2 所示。下面我们给出了每个组分的细节。 ? 图 2：模型架构 诊断描述编码器 我们使用了长短期记忆（LSTM）循环网络来编码诊断描述。 结果 表 2 给出了不同模型在测试集上评估得到的 F1 分数和 AUC_ROC 分数。
1K80发布于 2018-05-10 - 来自专栏拓端tecdat
R语言决策树、随机森林、逻辑回归临床决策分析NIPPV疗效和交叉验证|附代码数据
p=32295 原文出处：拓端数据部落公众号 临床决策(clinical decision making)是医务人员在临床实践过程中，根据国内外医学科研的最新进展,不断提出新方案，与传统方案进行比较后, 本文帮助客户进行决策分析NIPPV疗效数据，在充分评价不同方案的风险及利益之后推荐一个最佳的方案，最大限度地保障患者权益，减少临床实践及卫生决策失误。 决策树分析步骤 决策树分析法是通过决策树图形展示临床重要事件的可能发展过程及结局，比较各种备选方案的预期结果从而进行择优决策的方法。决策树分析法通常有6个步骤。 对结论进行敏感性分析 由于临床实践中的事件发生概率值及健康状态的效用值等都可能在一定范围内变动，需要进行敏感性分析。 109 112 113 118 123 134 139 140 143 ## 2 2 2 2 2 2 1 1 1 2 2 2 1 交叉验证 决策树交叉验证
62920编辑于 2023-09-16 - 来自专栏机器之心
学界 | Petuum新研究助力临床决策：使用深度学习预测出院用药
随着数据的数量增长和复杂度增加，医疗分析和决策正变得越来越耗时、易出错、结果不理想。在各种临床决策中，制定理想的治疗方案是至关重要并且很有难度的一个。 其次，在临床上，为了快速并有效的治愈疾病，达到治疗目的，常常会使用两种或两种以上的药物，许多联合用药的方案在临床治疗指南或专家共识中被广泛认可。 该模型具备两种功能：1）能有效地从有噪声的和非结构化的原始文本中提取高层次的语义并能适当地考虑连续词汇之间的序列结构；2）其次，该模型能学习不同药物之间的药理相关性。 表 2：CNN 和 4 个基准模型在 5 次实验中对每一类药物的准确率（P）、召回率（R）和 F1 的平均分数。药物从上到下按照频率降序排列。 Petuum 研究自动生成医疗图像报告 学界 | Petuum 新研究助力临床决策：使用深度学习实现自动 ICD 编码 本文为机器之心经授权编译，转载请联系本公众号获得授权。
1.2K110发布于 2018-05-09 - 来自专栏DrugOne
. | DeepSeek大模型赋能临床决策：基准测试与表现评估
为验证 DeepSeek-V3 与 DeepSeek-R1 的临床实用性，研究人员将其在临床决策支持任务中的表现与 GPT-4o、Gemini-2.0 Flash Thinking Experimental 大型语言模型（LLMs）正在迅速成为医学领域的变革性工具，显示出在多种临床应用中的潜力。其处理和理解复杂医学信息的能力，为提升临床决策效率、自动化管理任务以及改善患者护理提供了新机遇。 尽管主流排行榜评估的是通用任务表现，但关键问题仍在于这些开源模型是否能在实际临床任务中，如鉴别诊断和治疗决策等方面匹敌专有模型，并在临床工作流中体现出推理能力的优势。 为此，研究人员对开源和前沿专有 LLM 进行了系统性的临床决策支持任务性能评估。 尽管 LLM 在选择题类基准测试中表现优异，但其在临床决策支持中的评估仍然较为有限。目前尚无公认的标准基准用于衡量 LLM 的临床实用性。
46010编辑于 2025-04-26 - 来自专栏NLP/KG
医疗大模型：数据+知识双轮驱动实现医学推理、医患问答、病历自动生成、临床决策
医疗大模型：数据+知识双轮驱动实现医学推理、医患问答、病历自动生成、临床决策，为未来医疗服务提供全新可能性 1.指令数据集构建 目前大多数开源的ChatLLM项目使用的是其他模型（如：ChatGPT）生成的指令数据 gradio_cama_demo.py 3.效果展示 启真医学大模型坚持“数据+知识双轮驱动”的技术路线，通过大模型技术和医学知识库的紧密结合，融合医疗应用场景中的实际需求，从医学数据治理、医学推理、医患问答、病历自动生成、临床决策辅助支持系统等方面开展迭代研发 以下是三个评分标准： 标准1：模型答案命中一个“治疗药物”（“检查检验”、“临床表现”）则回答正确； 标准2：模型答案命中的“治疗药物”（“检查检验”、“临床表现”）数目大于等于药品说明书适应症数目的1 /2则回答正确； 标准3：模型答案命中的“治疗药物”（“检查检验”、“临床表现”）数目大于等于药品说明书适应症数目的2/3则回答正确； 模型 临床表现标准1 临床表现标准 2 临床表现标准3 检查检验标准1 检查检验标准2 检查检验标准3 治疗药物标准1 治疗药物标准2 治疗药物标准3 chatglm 90.00% 6.00%
1.1K11编辑于 2024-02-23 - 来自专栏7DGroup
性能分析之分析决策树2
千江有水千江月,万里无云万里天》今天咱们谈谈7DGroup创始人高楼老师的性能分析之决策树分析法二。 分析树图一 ?
74030发布于 2019-12-10 - 来自专栏生信菜鸟团
临床模型 | 大型语言模型编码临床知识 | Nature
此类模型在医学领域有几种令人兴奋的潜在应用，包括知识检索、临床决策支持、关键发现的总结、患者分类、解决初级保健问题等。 我们观察到，如果使用基于自一致性的不确定性阈值更频繁地延迟决策，模型在未延迟回答的问题上会变得越来越准确。 三组答案由另一组临床医生根据扩展数据表 2 中呈现的标准进行评估，且未透露答案来源。 每条答案由一位临床医生进行评估。 并非所有的医疗决策都是如此。 开发反映真实世界临床工作流程的基准任务是未来研究的重要方向。 Para_03 此外，本研究仅考虑了英语语料库，迫切需要扩大基准的范围以支持多语言评估。 这可能导致系统在不同人群中产生行为或性能差异，从而在医疗决策中造成进一步的危害，或者重现关于健康差距原因的种族主义误解。
46400编辑于 2025-03-28 - 来自专栏数据科学（冷冻工厂）
机器学习经典算法：决策树（2）
概述决策树（Decision Tree）是有监督学习中的一种算法，并且是一种基本的分类与回归的方法。决策树有两种：分类树和回归树。 决策树是用于分类和回归的工具，它将数据特征值拆分为决策节点处的分支（例如，如果特征是一种颜色，则每种可能的颜色都会成为一个新分支），直到做出最终决策输出。 一般来说，决策树只是一个嵌套 if-else 条件的结构。在数学上，决策树使用平行于任何一个轴的超平面将坐标系切割成超长方体。树形结构图片2. 构建过程包括：特征选择、决策树的生成和决策树的剪枝特征选择标准：希望决策树的分支节点所包含的样本尽可能属于同一类别，也就是节点的纯度（purity）越来越高。 数据集总行数 iset = dataSet.iloc[:,-1].value_counts() #标签的所有类别 p = iset/n #每一类标签所占比 ent = (-p*np.log2(
56220编辑于 2023-01-19 - 来自专栏数据科学（冷冻工厂）
机器学习经典算法：决策树（2）
概述 决策树（Decision Tree）是有监督学习中的一种算法，并且是一种基本的分类与回归的方法。决策树有两种：分类树和回归树。 决策树是用于分类和回归的工具，它将数据特征值拆分为决策节点处的分支（例如，如果特征是一种颜色，则每种可能的颜色都会成为一个新分支），直到做出最终决策输出。 一般来说，决策树只是一个嵌套 if-else 条件的结构。在数学上，决策树使用平行于任何一个轴的超平面将坐标系切割成超长方体。 树形结构 树形结构 2. 构建 过程包括：特征选择、决策树的生成和决策树的剪枝 特征选择 标准：希望决策树的分支节点所包含的样本尽可能属于同一类别，也就是节点的纯度（purity）越来越高。 iset = dataSet.iloc[:,-1].value_counts() #标签的所有类别 p = iset/n #每一类标签所占比 ent = (-p*np.log2(
53320编辑于 2023-02-27 - 来自专栏智药邦
AI加速毒理病理学评估｜Charles River和Deciphex推出非临床AI决策支持工具
2024年4月11日，Charles River宣布推出Patholytix Foresight，这是与病理人工智能领域的创新企业Deciphex合作开发的非临床人工智能决策支持工具。 通过将 Deciphex独特的数字病理解决方案与Charles River强大的非临床病理项目相结合，两家公司的客户都将获得技术驱动的能力，以加速毒理病理评估的初步评估和同行评审，从而提高药物发现和安全性评估的决策水平 通过使用决策支持技术来增强评估，毒理病理学家可以使用简单的可视化工具来提高工作效率、一致性和准确性。 该工具基于Patholytix 4.0（Deciphex的旗舰非临床工作流程），将这些人工智能分类器与全切片图像（WSI）集成在一起，通过简化识别特定组织关键特征的工作流程，提高并加快病理学家的决策速度
56410编辑于 2024-04-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号