心力衰竭导致心脏肌肉受损和体内液体积聚,可能引发心律失常或心脏骤停。MIT研究团队开发的PULSE-HF深度学习模型能够预测心脏射血分数的变化,帮助医生优先关注高风险患者。该模型在不同患者群体中表现良好,未来将进行前瞻性研究。
房颤是一种心脏疾病,导致心率不规则和加快,可能引起心悸、疲劳和呼吸急促,并增加心力衰竭和中风的风险。
本研究开发了TRisk,一个基于变压器的人工智能模型,通过分析英国电子健康记录,预测心力衰竭患者36个月的死亡率,优于传统的MAGGIC-EHR模型。
该研究针对心力衰竭评估中的多重复杂性和未满足需求提出了可组合策略框架。该框架通过模拟医生-患者咨询过程,整合视频、体检、文本结果和病史等多种数据源,提供更全面的评估和优化治疗方案。研究结果显示,该多模态方法在心力衰竭预后预测的准确性上优于单模态人工智能算法,具有潜在的临床价值。
古希腊哲学家亚里士多德认为心脏是最重要的器官,而现代研究显示心脏由四个腔室组成,主要受大脑控制。麻省理工学院和哈佛医学院的研究人员提出了一种非侵入性深度学习方法,通过分析心电图信号来预测心力衰竭风险。这种方法的准确性与传统侵入性检测相当,能够早期识别患者,帮助预防住院。
本研究解决了现代医疗中疾病预测准确性不足的问题,采用图神经网络(GNNs)和图变换器(GT)在患者相似性图上预测心力衰竭(HF)的发生。研究结果表明,GT模型在预测性能和可解释性方面优于基线算法,尤其通过图结构中的患者关系增强了模型的决策过程理解,具有潜在的临床应用价值。
通过预处理技术和机器学习算法,研究发现对不平衡的临床数据集进行预处理可以提高预测心力衰竭患者死亡率的性能。相比树模型,尤其是随机森林和XGBoost,在F1评分和MCC上平均提高了约3.6%和2.7%。该研究有望改善心力衰竭管理中的患者预后。
该文介绍了一种新颖的生存分析流程,使用改进的生存堆叠模型将生存分析问题转化为分类问题,并使用 ControlBurn 进行特征选择,最终使用可解释的增强学习机器生成可解释的预测结果。该流程在预测心力衰竭的风险方面实现了最先进的性能,并提供了关于心力衰竭风险因素的有趣且新颖的见解。
完成下面两步后,将自动完成登录并继续当前操作。