- 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。 总体而言，共有26%的突变被归类为（推测）和功能相关，9%被归类为（推测）中性。其中四分之一的分类完全基于生物信息学预测（最低级别支持证据）。 ---- 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
= list(model_train = "Train dataset")) %>% plot(smooth = TRUE)ggsave("binomial_train.pdf",width = 9, 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。 label = list(prob12 = "Train dataset")) %>% plot(smooth = TRUE)ggsave("12months_train.pdf",width = 9, label = list(prob24 = "Train dataset")) %>% plot(smooth = TRUE)ggsave("24months_train.pdf",width = 9, label = list(prob36 = "Train dataset")) %>% plot(smooth = TRUE)ggsave("36months_train.pdf",width = 9,
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 - 来自专栏趣Python
机器学习（9）决策树
决策树仍然是监督学习方法，其基本思路跟我们人做一些决策的思路类似：可能要下雨，那就带伞；可能要停水，那就提前备水…… 这个决策的数学模型是熵。 决策树的模型中，无论是ID3，还是C4.5，亦或者是CART，它们在每个节点做判据的目标都是为了让熵最小化！ 核心的内容已经说完了，具体的内容参见如下的推导，一些数学公式的细节可以自行网查。 决策树的算法推导流程如下： ? 如下示例的题材，最后一列是结果，其他列是输入。 ? ID3的手推示例如下所示： ? ? ? CART的手推示例如下所示： ? ? ? ?
46720发布于 2020-06-05 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。 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。 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。 **(tab) ## [1] 0.7755102 ##############################################预测分类号 pred ## 2 3 9
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。 **(tab) ## [1] 0.7755102 ##############################################预测分类号 pred ## 2 3 9
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。 ▲不规则的决策边界的绘制方法 这里只是随便举了一个例子，上图中红色点与蓝色点的边界处就是决策边界，可以看出此时的决策边界非常的不规则。 上图就是kNN算法在三分类上的决策边界，这个决策边界非常的不规则。
3K20发布于 2020-02-26 - 来自专栏合集
机器学习day9-决策树
决策树 决策树自上而下，对样本数据进行树形分类的过程。决策树由结点和有向边组成。结点又分内部结点和叶结点。每个内部结点表示一个特征或属性，叶子结点表示类别。 决策树是最基础且常见的监督学习模型，可以用于处理分类问题和回归问题。 决策树的生成包括：特征选择，树的构造，树的剪枝三个过程。 决策树常用的启发函数 常用的决策树算法有：ID3，C4.5和CART，那么它们的启发式函数是什么？ ID3-最大信息增益 对于样本集合D，类别数为K，数据集D的经验熵表示： ? 其中， ? 提高决策树的泛化能力。 ID3应用于离散变量，C4.5和CART都可以用于连续变量。
52920发布于 2020-06-11 - 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NowlNowl_AI
机器学习第9天：决策树分类
介绍 作用：分类 原理：构建一个二叉树，逐级条件判断筛选 基本思想 假如有小明，小红和小张三个人，我们知道他们的身高体重，要通过身高体重来判断是哪个人，决策树算法会构建一个二叉树，逐级判断，如下 DecisionTreeClassifier tree_clf = DecisionTreeClassifier(max_depth=2) tree_clf.fit(X, y) max_depth参数设置的是决策树的深度 ，上图的深度是2，它代表决策的次数 深度探索 优点 我们来看决策树的过程：每到一个节点进行一次询问，然后将数据集分向其他的节点，这样的特性决定了数据不需要经过特征缩放的处理 估计概率 决策树模型可以输出每个类的概率 这将输出每个类的概率 model = DecisionTreeClassifier(max_depth=2) model.fit(x, y) model.predict_proba(x) 训练算法 决策树的训练算法被称为 它的公式为 为第k类的实例数 为总实例数 正则化 为了防止过拟合，我们当然要进行正则化，决策树的正则化通过控制参数max_depth来决定，越大则越可能过拟合 在鸢尾花数据集上训练决策树 from sklearn.datasets
27510编辑于 2024-01-18 - 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。 **(tab) ## [1] 0.7755102 ##############################################预测分类号 pred ## 2 3 9 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。 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 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。 为了减少不同临床医生之间的差异对研究结果普适性的影响，我们的专家组由九位临床医生组成（分别来自美国、英国和印度）。 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
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