本研究提出了一种可解释的机器学习框架,用于早期检测多药耐药性(MDR)。通过多变量时间序列分析,量化患者相似性,框架在ICU电子健康记录中验证达到81%的AUC,识别关键风险因素如抗生素使用和合并感染,展示了其在早期检测中的潜力。
本研究提出了一种基于概率机器学习的方法来定价首次市场的灾难债券,通过结合机器学习预测模型和创新算法,能够更准确地预测债券利差,并识别重要的非线性关系。该研究展示了机器学习在改进灾难债券定价方面的潜力。
该研究通过算法研究了败血症潜在原因的因果结构,并发现慢阻肺、酒精依赖和糖尿病等风险因素会增加患者患败血症的可能性,对政策具有潜在影响。模型预测准确度约为70%,AUC为80%。
本文介绍了如何利用Bloomberg的数据解决方案和Databricks Lakehouse平台来构建更强大的供应链,以提高韧性和适应性。文章列举了三个风险因素:违约风险、制裁风险和气候风险,并通过案例分析展示了如何识别和管理这些风险。
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。
该文章提出了一个新的框架来动态建模健康结果与风险因素之间的关联。使用变系数区域分位数回归方法和K最近邻融合拉索方法捕捉年龄的时变效应。经验结果证明了该方法在捕捉健康结果与风险因素之间复杂的年龄依赖关联方面的有效性。
完成下面两步后,将自动完成登录并继续当前操作。