- 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
探索数据 data.plot(kind='density', subplots=True, layout=(5,7), sharex=False, legend=False, fontsize=1) plt.show ]) print("Accuracy : %s" % "{0:.3%}".format(accuracy)) #Perform k-fold cross-validation with 5 folds kfold = KFold(data.shape[0], n_folds=5) error = [] for train, test in kfold: 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
声明：本文示例来自于GitHub用户vkasojhaa的项目，一切权利归其所有，此处仅是自己学习分享。
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？ 最近刚发表在Nature Cancer的文章详细介绍了Cancer Core Europe（CCE）开发的一款临床决策支持系统(CDSS, Clinical decision support systems 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。 需要注意的是，不同的数据库有各自定义的标准，且都在持续收集临床实验和人群遗传结果。 ---- 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。
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
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。 Biom J. 2020 May;62(3):764-776.一点统计：https://mp.weixin.qq.com/s/0xLtnx5JppypsQdywKteXQ https://mp.weixin.qq.com 0iycRpUsDm1Ds3DTkEu4-A https://mp.weixin.qq.com/s/IrZwwQYCBDT63xH7QtfDvA https://mp.weixin.qq.com/s/g5iWSE6hwXh6rbpOn08DOg https://mp.weixin.qq.com/s/buajk82tUFH02ht9DH3RwA生信星球：https://mp.weixin.qq.com/s/PV5Ik5UW37r4V3E0UrKI8QYuLabSMU
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 使用了5种模型：逻辑回归，lasso回归，随机森林，xgboost，神经网络 ，其中逻辑回归作为基线模型，其他4个模型都和逻辑回归进行比较（这不是欺负逻辑回归吗！？）。 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
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。 考虑到检查，我们将 GPT-4（中位数：4·5，IQR = [4·0;4·75]）与 GPT-3·5（中位数：4·25，IQR = [3·75;4·5] ]）。 九个 GPT-4 得分最高病例的中位分数和四分位数范围分别为 14·5 [14·5;14·75]、14·0 [13·25;14·0]、12·25 [11·25]分别针对GPT-4、GPT-3·5、L12 类似地，对于九个得分最差的情况：11·0 [9·25;11·25]、10·25 [9·5;10·5]]、10·25 [8·5;11·0] 和8·5 [7·75；10·25]。
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。 标明各种事件可能出现的概率 每一种事件出现的可能性用概率表示，一般应从质量可靠的文献中查找并结合专家的临床经验及本单位情况进行推测。 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。
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。 标明各种事件可能出现的概率 每一种事件出现的可能性用概率表示，一般应从质量可靠的文献中查找并结合专家的临床经验及本单位情况进行推测。 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。
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。 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。 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。 Neonatal jaundice associated with preterm delivery（与早产有关的新生儿黄疸）」的 ICD 编码时，模型会更加注意「Prematurity at 34 and 5/
1K80发布于 2018-05-10 - 来自专栏木东居士的专栏
决策树5：剪枝与sklearn中的决策树
下面来看看是否要用脐部进行划分，划分前：所有样本都在根节点，把该结点标记为叶结点，其类别标记为训练集中样本数量最多的类别，因此标记为好瓜，然后用验证集对其性能评估，可以看出样本{4，5，8}被正确分类， 划分后：划分后的的决策树为： ? 则验证集在这颗决策树上的精度为：5/7 = 71.4% > 42.9%。泛化性能得到了提升，因此，用“脐部”进行划分。 接着考察结点 5，同样的操作，把以其为根节点的子树替换为叶结点，替换后的叶结点包含编号为{6,7,15}的训练样本，根据“多数原则”把该叶结点标记为“好瓜”，测试的决策树精度认仍为57.1%，所以不进行剪枝 custom_cmap = ListedColormap(['#EF9A9A','#FFF59D','#90CAF9']) plt.contourf(x0, x1, zz, linewidth=5, dt_clf5 = DecisionTreeClassifier(max_leaf_nodes=4)dt_clf5.fit(X,y) plot_decision_boundary(dt_clf5, axis
4.5K21发布于 2019-12-23 - 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。 语言群组变量选择、组惩罚GROUP LASSO套索模型预测分析新生儿出生体重风险因素数据和交叉验证、可视化 4.R语言逻辑回归、随机森林、SVM支持向量机预测FRAMINGHAM心脏病风险和模型诊断可视化 5.
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。 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
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。 这些病例主要来自医学教科书，模拟门诊或急诊等初诊情境，仅包含医生与患者对话的关键信息，既贴近真实临床情境，也考验模型在信息不完整背景下的实用表现。模型输出结果由医学专家基于5分李克特量表评分。
46010编辑于 2025-04-26 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-5 决策边界
本小节介绍对于分类问题非常重要的决策边界，先对逻辑回归求出决策边界的函数表达式并绘制，但是对于像kNN这种不能求出决策边界表达式的可以通过预测样本特征平面中区间范围内的所有样本点来绘制决策边界。 接下来就来实际绘制一下逻辑回归的决策边界，感性的认识一下决策边界。 逻辑回归的分类本质其实就是对于样本点来说是落在决策边界的上面还是决策边界的下面。如果样本点落在决策边界的上面则将样本分成一类，如果样本点落在决策边界的下面则将样本分成另外一类。 第四章提到过当使用sklearn构造kNN模型的时候默认参数k为5，也就是看样本点周围最近的5个样本点，对于kNN算法来说，参数k值越小，对应模型本身也就越复杂。 相比于k为5时候的决策边界要规整很多，整体分成三个大块，非常清晰。通过这样的一个例子，再次样本了对于kNN算法来说，k值越大相应的模型越简单，对应到决策边界上，决策边界整体上越规整，分块越明显。
3K20发布于 2020-02-26 - 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 用于改善学习能力和记忆能力,可用于儿童和青少年的智力开发和改善学习效果; 5. 用于预防艾滋病病毒感染和治疗艾滋病。 氟奋乃静癸酸酯注射液是一种口服用药,通常用于治疗抑郁症、焦虑症和失眠等疾病。 5. 改善睡眠:藏青果茶中的蜂蜜具有一定的镇静作用,可以帮助缓解压力,改善睡眠质量,提高身体的自我修复能力。 5. 抗炎镇痛：藏青果茶含有一些具有抗炎和镇痛作用的成分，可以缓解关节疼痛、肌肉酸痛和头痛等不适。 6.
1.1K11编辑于 2024-02-23 - 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。 在更困难的带有 5 个选项的问题集合中，我们的模型达到了 62.0% 的准确率。 然而，鉴于领域无关的指令调优在回答多项选择题方面的成功，在领域内的指令提示调优看起来很有前景，我们在扩展数据表 5 中展示了初步结果，并在补充信息第 5 节中进一步描述了该实验。 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。 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。
46400编辑于 2025-03-28 - 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 - 来自专栏AI智能体从入门到实践
构建AI智能体：AI医疗场景实践：医学知识精准问答+临床智能辅助决策CDSS
整合近期的RAG和想来数据库知识结合医疗的两大实际场景了解一下医学知识精准问答和临床智能辅助决策CDSS系统的构建过程。二、医学知识精准问答1. 5. 任何此类系统在投入真实临床环境使用前，必须经过严格的临床验证和医生团队的审核。代码中的医疗数据仅为示例，请务必使用经认证的权威资料。三、临床智能辅助决策CDSS1. 四、两个系统的协同效应特性医学知识精准问答系统临床智能辅助决策系统 (CDSS)核心目标回答知识辅助决策输入自然语言问题结构化的患者数据输出知识性答案个性化的诊断、治疗建议、预警模式被动响应（用户提问） CDSS：快速生成诊断思路和治疗建议，辅助医生更快做出决策，并自动化生成部分病历内容，减轻文书压力。5.
90921编辑于 2025-11-23
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