- 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
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
="FEMALE","0","1"))data$neoadjuvant <- as.numeric(ifelse(data$neoadjuvant=="No","0","1"))# 数据分割 7:3,8: 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。 BMC Med Inform Decis Mak. 2008 Nov 26:8:53.Estimating the decision curve and its precision from three 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 研究目的：探索机器学习方法用于预测患儿临床结局的准确性。 数据来源：这篇文章作者并没有用到自己的数据，是完完全全的数据挖掘哦。 众所周知，ROC曲线默认是阳性结果的，这篇文章作者把阴性和阳性都展示了，决策曲线也是一样。 这两张图，也是用R语言画出来的，作者提供了代码[1]。 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。 通过从电子健康记录中提取信息、协助文献检索或提供写作风格和格式指导的使用，例如加强牙科远程医疗服务或改善放射学中以患者为中心的护理 Results 关于诊断，可以观察到最高水平的一致性：GPT-3·5 的 κ = 0·8、 1977 年，这对应于实质性 (0·61–0·8) 到几乎完美 (0·81–1) 的一致性 20 。研究结果没有提供任何证据表明一致的评级差异有利于一位评级者而不是另一位评级者。 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。
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。 8.PYTHON深度学习实现自编码器AUTOENCODER神经网络异常检测心电图ECG时间序列 9.R语言如何在生存分析与Cox回归中计算IDI，NRI指标
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。 图 1：8 种抗高血压药物在 MIMIC-III 数据集中的频率，Hctz 是氢氯噻嗪的简写 ? 表 1：左栏显示 8 种就诊时可用的信息类型，右栏每行显示了 MIMIC-III 中对应的提取此类信息的标题字符串 模型设计 我们开发了一个可基于就诊时可用的信息来预测出院用药的深度学习模型。 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WD学习记录
机器学习 学习笔记（8） 决策树
决策树学习算法包含特征选择、决策树的生成与决策树的剪枝过程，由于决策树表示一个条件概率分布，因此深浅不同的决策树对应着不同复杂度的概率模型。 决策树的生成对应于模型的局部选择，决策树的剪枝对应于模型的全局选择。决策树的生成只考虑局部最优，决策树的剪枝对应于模型的全局选择。 信息增益 信息熵是度量样本集合纯度最常用的一种指标。 后剪枝则是先从训练集生成一棵完整的决策树，然后自底向上地对非叶结点进行考察，若将该结点对应的子树替换为叶结点能带来决策树泛化的提升，则将该子树替换为叶结点。 只有一层划分的决策树，称为决策树桩。 预剪枝基于贪心的本质禁止这些分支展开，给预剪枝决策树带来了欠拟合的风险。 后剪枝决策树通常比预剪枝决策树保留了更多的分支。一般情况下，后剪枝决策树欠拟合的风险很小，泛化性能往往优于预剪枝决策树。 多变量决策树 多变量决策树又称为斜决策树，实现如下图所示的斜划分 甚至更复杂的决策树： image.png image.png 参考 《机器学习》 《统计学习方法》 《机器学习实战》
1K10发布于 2018-09-03 - 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Michael阿明学习之路
8. 非线性分类和决策树
本文为 scikit-learn机器学习（第2版）学习笔记 相关知识：《统计学习方法》决策树（Decision Tree，DT） 1. 决策树优缺点 优点： 不要求对数据进行标准化 可以进行多元分类而无需使用OvO，OvA等策略 缺点： 更容易过拟合，需要剪枝（设置树的最大深度、节点实例数量超过阈值才建立子节点） 本质上是贪心算法，不保证全局最优
46310发布于 2020-07-13 - 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 测试4 input：赖特综合征临床表现有哪些？ 、“{疾病}的临床表现有哪些？” /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
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。 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。 Para_02 我们观察到由于模型扩展而带来的强劲性能提升，随着 PaLM 模型从 8B 扩展到 540B，准确率大约提高了两倍。 PaLM 8B 在 MedQA 上的表现仅略好于随机表现。 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. 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. 它不再是简单地回答知识性问题，而是融入临床工作流程，通过分析具体的患者数据，为医生提供个性化的诊断、治疗、风险评估等决策建议。它是“站在医生身边的专家顾问”。2. ：适应不同医院、科室的工作流程和需求8. 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）
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