- 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
53120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。
37530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。
66130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
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。
47410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
46820编辑于 2022-11-15 - 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。
18310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 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。
33720编辑于 2023-08-30 - 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。
37000编辑于 2023-05-05 - 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
1.2K00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。
91780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。 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。
46020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。
1.1K110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。
26910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
80211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。
19200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
42210编辑于 2024-04-19 - 来自专栏生信喵实验柴
临床样本检测
由于引发感染的病原体类型广泛，使得快速诊断和制定处方决策成为一项挑战。目前识别细菌感染的主要方法是细菌培养，通常需要 2~3 天时间，且敏感性较差。 国际顶级学术期刊 Nature Biotechnology 以《纳米孔上的临床宏基因组学》（Clinical metagenomics on a nanopore）为封面，刊登了英国东安格利亚大学 Justin 据悉，为了能够准确、快速地识别细菌病原体，研究团队开发了一种能够从临床样本中去除多达 99.99％的宿主核酸的流程，并在便携式 MinION 测序仪上开展了实时的检测和分析。 该团队在 40 个临床呼吸道样品上进行初期测试，在另外 41 个样品上进行了优化和测试。与培养法和 PCR 相比，优化的流程具有较高对病原体鉴定的敏感性（96.6％）和临床特异性（41.7％）。 文章地址： https://www.nature.com/articles/s41587-019-0156-5 1.2 文章详细解读 宏基因组公众号文章《NBT 封面：纳米孔基因组测序快速临床诊断细菌性下呼吸道感染
62420编辑于 2023-02-24 - 来自专栏一个会写诗的程序员的博客
战略决策 , 战术决策 与 业务决策
按决策的范围和决策的重要性划分，可以分为战略决策、战术决策、业务决策。 战略决策是解决全局性、长远性、战略性的重大决策问题的决策。 战术决策又称管理决策，是为了实现战略决策、解决某一问题所做出的决策，以战略决策规定的目标为决策标准。如医院住院流程设计、医院人员的招聘与工资水平等决策。 决策的分类 1、按决策范围分为 战略决策、战术决策和业务决策； 2、按决策性质分为程序化决策和非程序化决策； 3、按决策主体分为个人决策和群体决策； 4、按决策问题的可控程度分为确定型决策、不确定型决策和风险型决策 决策问题分类 确定型、非确定型、风险型 决策问题通常分确定型、非确定型、风险型三种。 由于决策问题的性质不同，群体决策与个人决策的差异及决策人个人的风格不同，其决策的时间和决策的方法也不相同。 战术决策：为了实现战略决策、解决某一问题做出的决策，以战略决策规定的目标为决策标准。 战略决策是关系企业全局和长远发展的重大问题的决策。是非程序化的、带有风险性的决策。
3.8K20发布于 2020-04-01 - 来自专栏用户7627119的专栏
玩转TCGA临床信息
对作者是如何从307个early-stage cervical cancer (CESC)病人中根据临床信息挑选出145个病人的过程有些疑惑。下面是原作者筛选样本的标准。 ? 首先我们要从TCGA中下载CESC的临床信息，在TCGA中搜索CESC，选择TCGA-CESC。 ? 选择miRNA样本，点击307这个超链接。 ? 任意选择一个样本，点击进入。 ? 点击Download下载，里面就包含所有样本的临床信息 ? 解压到当前文件夹 ? 更多临床信息解读可以参考肿瘤TNM分期。 ? ? 这就和原文中的表1中的数字相同了。 ? 接着我们检查一下相应的Tumor Grade样本数是否正确。
1.6K41发布于 2020-08-06 - 来自专栏DrugOne
. | 人工智能驱动的预测模型：提升结直肠癌手术临床决策支持
研究人员利用丹麦国家登记库中 18,403 名患者的数据，并结合单中心的连续患者数据，开发并实施了一个人工智能预测模型，用于术前风险评估和个体化围手术期治疗决策支持。 本研究展示了一种可扩展的基于登记数据的 AI 决策支持路径，为改善手术临床结局提供了新策略。 尽管手术技术和围手术期护理不断进步，术后发病率和死亡率仍然是全球普遍的挑战。 研究目标：构建并验证一个基于 AI 的模型，能够分层结直肠癌手术患者的风险，支持医生在真实临床环境中实施个体化治疗。 讨论 研究人员展示了从 问题提出 → 模型开发 → 临床实施 → 成本效益评估 的完整路径： 创新性：将 AI 模型转化为临床可用的决策支持工具，推动了预测型 AI 向干预型 AI 的转变。 未来方向： 开展多中心随机对照试验以验证临床获益； 优化治疗组合与风险分层策略； 探索跨病种和跨医疗系统的推广可行性。 总结 该研究证明了 AI 风险预测模型在结直肠癌手术围手术期管理中的临床可行性。
6410编辑于 2025-10-14
腾讯云开发者
