期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于机器学习算法的重症缺血性脑卒中早期死亡预测效果评价
被引量：
5
1
作者
罗枭
程义
+3 位作者
何倩
涂博祥
吴骋
贺佳
《海军军医大学学报》
CAS
CSCD
北大核心
2022年第12期1365-1371,共7页
目的 评价支持向量机(SVM)、随机森林、极限梯度提升(XGBoost)3种机器学习算法与logistic回归模型在重症缺血性脑卒中30 d死亡结局预测中的效果。方法 使用2008年至2019年美国重症监护医学信息数据库Ⅳ(MIMIC-Ⅳ)中符合纳入标准的2 358...
目的 评价支持向量机(SVM)、随机森林、极限梯度提升(XGBoost)3种机器学习算法与logistic回归模型在重症缺血性脑卒中30 d死亡结局预测中的效果。方法 使用2008年至2019年美国重症监护医学信息数据库Ⅳ(MIMIC-Ⅳ)中符合纳入标准的2 358例重症缺血性脑卒中患者资料,分别用SVM、随机森林、XGBoost3种机器学习算法与logistic回归方法,结合合成少数过采样技术(SMOTE)建立早期死亡预测模型,并使用ROC曲线的AUC值、准确度、F1分数、布里尔分数等指标评价模型的预测效果。结果 SVM、随机森林、XGBoost与logistic回归模型在原始不平衡数据集中预测早期死亡的AUC值分别为0.78、0.81、0.84、0.83。应用SMOTE合成数据集后,SVM、随机森林、XGBoost与logistic回归模型的AUC值分别为0.72、0.84、0.83、0.83。除SVM模型外,随机森林、XGBoost模型与logistic回归之间有相似的预测能力,但其准确度、布里尔分数均优于logistic回归模型,综合分类性能更优。结论 机器学习算法在缺血性脑卒中早期死亡预测中性能较传统logistic回归方法更优。
展开更多
关键词
重症缺血性脑卒中
早期死亡预测
机器学习
合成少数过采样技术
在线阅读
下载PDF
职称材料
预测重症缺血性脑卒中死亡风险的模型:基于内在可解释性机器学习方法
被引量：
8
2
作者
罗枭
程义
+1 位作者
吴骋
贺佳
《南方医科大学学报》
CAS
CSCD
北大核心
2023年第7期1241-1247,共7页
目的构建一种内在可解释性机器学习模型,即可解释提升机模型(EBM)来预测重症缺血性脑卒中患者一年死亡风险。方法使用2008~2019年MIMIC-IV2.0数据库中符合纳排标准的2369例重症缺血性脑卒中患者资料,将数据集随机分成训练集(80%)和测试...
目的构建一种内在可解释性机器学习模型,即可解释提升机模型(EBM)来预测重症缺血性脑卒中患者一年死亡风险。方法使用2008~2019年MIMIC-IV2.0数据库中符合纳排标准的2369例重症缺血性脑卒中患者资料,将数据集随机分成训练集(80%)和测试集(20%),构建可解释提升机模型评估疾病预后。通过计算受试者工作特征曲线下面积(AUC)来衡量预测效果,使用校准曲线及布里尔分数(Brier score)评价模型的校准程度,并绘制决策曲线反映临床净收益。结果本研究所构建的可解释提升机具有良好的区分度、校准度和净收益率,其中模型预测重症缺血性脑卒中预后不良的AUC为0.857[95%CI(0.831,0.887)];校准曲线分析结果显示,可解释提升机模型的校准曲线最接近于理想曲线;决策曲线分析结果显示,当该模型预测概率阈值为0.10~0.80时,其预测净获益率最大。基于可解释提升机模型的前5个独立预测变量为年龄、SOFA评分、平均心率、机械通气、平均呼吸频率,其重要性得分从0.179~0.370。结论建立了一个可解释提升机模型,该模型应用于预测重症缺血性脑卒中患者一年内死亡风险具有良好的表现,通过模型可解释性能帮助临床医生更好地理解结果背后的原因。
展开更多
关键词
重症缺血性脑卒中
内在可解释性机器学习
可解释提升机
死亡预测
在线阅读
下载PDF
职称材料
题名
基于机器学习算法的重症缺血性脑卒中早期死亡预测效果评价
被引量：
5
1
作者
罗枭
程义
何倩
涂博祥
吴骋
贺佳
机构
海军军医大学(第二军医大学)卫生勤务学系军队卫生统计学教研室
出处
《海军军医大学学报》
CAS
CSCD
北大核心
2022年第12期1365-1371,共7页
基金
军队双重学科建设项目-03
上海市公共卫生体系建设三年行动计划学科带头人计划(GWV-10.2-XD05)
上海市公共卫生体系建设三年行动计划学科建设项目(GWV-10.1-XK05)。
文摘
目的 评价支持向量机(SVM)、随机森林、极限梯度提升(XGBoost)3种机器学习算法与logistic回归模型在重症缺血性脑卒中30 d死亡结局预测中的效果。方法 使用2008年至2019年美国重症监护医学信息数据库Ⅳ(MIMIC-Ⅳ)中符合纳入标准的2 358例重症缺血性脑卒中患者资料,分别用SVM、随机森林、XGBoost3种机器学习算法与logistic回归方法,结合合成少数过采样技术(SMOTE)建立早期死亡预测模型,并使用ROC曲线的AUC值、准确度、F1分数、布里尔分数等指标评价模型的预测效果。结果 SVM、随机森林、XGBoost与logistic回归模型在原始不平衡数据集中预测早期死亡的AUC值分别为0.78、0.81、0.84、0.83。应用SMOTE合成数据集后,SVM、随机森林、XGBoost与logistic回归模型的AUC值分别为0.72、0.84、0.83、0.83。除SVM模型外,随机森林、XGBoost模型与logistic回归之间有相似的预测能力,但其准确度、布里尔分数均优于logistic回归模型,综合分类性能更优。结论 机器学习算法在缺血性脑卒中早期死亡预测中性能较传统logistic回归方法更优。
关键词
重症缺血性脑卒中
早期死亡预测
机器学习
合成少数过采样技术
Keywords
severe ischemic stroke
early mortality prediction
machine learning
synthetic minority oversampling technique
分类号
R743.3 [医药卫生—神经病学与精神病学]
在线阅读
下载PDF
职称材料
题名
预测重症缺血性脑卒中死亡风险的模型:基于内在可解释性机器学习方法
被引量：
8
2
作者
罗枭
程义
吴骋
贺佳
机构
海军军医大学卫勤系军队卫生统计学教研室
出处
《南方医科大学学报》
CAS
CSCD
北大核心
2023年第7期1241-1247,共7页
基金
上海市公共卫生体系建设学科带头人计划(GWV-10.2-XD05)
上海市产业协同创新项目(2021-cyxt1-kj10)。
文摘
目的构建一种内在可解释性机器学习模型,即可解释提升机模型(EBM)来预测重症缺血性脑卒中患者一年死亡风险。方法使用2008~2019年MIMIC-IV2.0数据库中符合纳排标准的2369例重症缺血性脑卒中患者资料,将数据集随机分成训练集(80%)和测试集(20%),构建可解释提升机模型评估疾病预后。通过计算受试者工作特征曲线下面积(AUC)来衡量预测效果,使用校准曲线及布里尔分数(Brier score)评价模型的校准程度,并绘制决策曲线反映临床净收益。结果本研究所构建的可解释提升机具有良好的区分度、校准度和净收益率,其中模型预测重症缺血性脑卒中预后不良的AUC为0.857[95%CI(0.831,0.887)];校准曲线分析结果显示,可解释提升机模型的校准曲线最接近于理想曲线;决策曲线分析结果显示,当该模型预测概率阈值为0.10~0.80时,其预测净获益率最大。基于可解释提升机模型的前5个独立预测变量为年龄、SOFA评分、平均心率、机械通气、平均呼吸频率,其重要性得分从0.179~0.370。结论建立了一个可解释提升机模型,该模型应用于预测重症缺血性脑卒中患者一年内死亡风险具有良好的表现,通过模型可解释性能帮助临床医生更好地理解结果背后的原因。
关键词
重症缺血性脑卒中
内在可解释性机器学习
可解释提升机
死亡预测
Keywords
severe ischemic stroke
inherent interpretability machine learning
explainable boosting machine
mortality prediction
分类号
R743.3 [医药卫生—神经病学与精神病学]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于机器学习算法的重症缺血性脑卒中早期死亡预测效果评价
罗枭
程义
何倩
涂博祥
吴骋
贺佳
《海军军医大学学报》
CAS
CSCD
北大核心
2022
5
在线阅读
下载PDF
职称材料
2
预测重症缺血性脑卒中死亡风险的模型:基于内在可解释性机器学习方法
罗枭
程义
吴骋
贺佳
《南方医科大学学报》
CAS
CSCD
北大核心
2023
8
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
