Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Prediction Intervals01:03

Prediction Intervals

3.1K
The interval estimate of any variable is known as the prediction interval. It helps decide if a point estimate is dependable.
However, the point estimate is most likely not the exact value of the population parameter, but close to it. After calculating point estimates, we construct interval estimates, called confidence intervals or prediction intervals. This prediction interval comprises a range of values unlike the point estimate and is a better predictor of the observed sample value, y. 
3.1K
End Point Prediction: Gran Plot01:07

End Point Prediction: Gran Plot

1.1K
A Gran plot is used to predict the equivalence volume or endpoint of a potentiometric or acid-base titration without reaching the endpoint. Typically, titration data is collected as a function of the titrant's volume up to a point less than the equivalence volume and then transformed into a linear format. The straight line is extended to the x-axis, indicating the necessary titrant volume to achieve the equivalence point.
For potentiometric titration, the Gran plot is created by plotting...
1.1K
Sensitivity, Specificity, and Predicted Value01:13

Sensitivity, Specificity, and Predicted Value

1.2K
In healthcare diagnostics, laboratory tests play a crucial role in identifying and diagnosing a wide range of medical conditions. However, interpreting test results is not always straightforward. An abnormal test result does not always confirm the presence of a disease, just as a normal result does not guarantee its absence. To assess the reliability of these diagnostic tools, healthcare practitioners rely on two key statistical indicators: sensitivity and specificity.
Sensitivity is the...
1.2K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same authorSame journal

Cardio-respiratory deep learning model to predict hospital admission from emergency department electrocardiogram images and respiration videos: a prospective study.

BioData mining·2026
Same author

Artificial Intelligence-Assisted Screening for Patients With Diabetic Retinopathy and Age-Related Macular Degeneration in Family Medicine and Geriatric and Gerontology Care: Protocol for a Pragmatic Randomized Clinical Trial.

JMIR research protocols·2026
Same author

Comparison of the outcomes of targeted temperature management for the cardiac arrest patients with and without diabetes mellitus: The TIMECARD study.

Journal of the Formosan Medical Association = Taiwan yi zhi·2026
Same author

External validation of the R-EDByUS score for neuroprognostication in out-of-hospital cardiac arrest.

Resuscitation plus·2026
Same author

Physician Gestalt for Anemia Detection in the Emergency Department: A Prospective Study.

The western journal of emergency medicine·2026
Same author

Multimodal Depression Detection Through Conversational Interactions with an Emotion-Aware Social Robot: Pilot Study.

JMIR formative research·2026

Video Experimental Relacionado

Updated: Jan 7, 2026

Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
06:22

Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections

Published on: September 19, 2025

395

Aprendizaje profundo para predecir la readmisión en el servicio de urgencias utilizando características estáticas y

Su-Yin Hsu1, Jhe-Yi Jhu1, Jun-Wan Gao2

  • 1Department of Computer Science and Information Engineering, National Taiwan University, CSIE Der Tian Hall No. 1, Sec. 4, Roosevelt Road, Taipei, 106319, Taiwan.

BioData mining
|December 20, 2025
PubMed
Resumen

Este estudio presenta un modelo híbrido de aprendizaje profundo para predecir las readmisiones de alto riesgo en el servicio de urgencias (SU) utilizando datos estáticos y dinámicos del paciente. El modelo mejora significativamente la precisión de la predicción, ayudando en la toma de decisiones clínicas.

Palabras clave:
Aprendizaje profundoReadmisión en el servicio de urgenciasModelo híbridoDatos de series temporales

Más Videos Relacionados

An R-Based Landscape Validation of a Competing Risk Model
05:37

An R-Based Landscape Validation of a Competing Risk Model

Published on: September 16, 2022

2.5K

Videos de Experimentos Relacionados

Last Updated: Jan 7, 2026

Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
06:22

Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections

Published on: September 19, 2025

395
An R-Based Landscape Validation of a Competing Risk Model
05:37

An R-Based Landscape Validation of a Competing Risk Model

Published on: September 16, 2022

2.5K

Área de la Ciencia:

  • Medicina de urgencias
  • Inteligencia artificial
  • Informática clínica

Sus antecedentes:

  • Las readmisiones en el servicio de urgencias (SU) son una preocupación importante, y las readmisiones de alto riesgo requieren atención urgente.
  • Los modelos de aprendizaje automático existentes para la predicción de readmisiones en el SU a menudo subutilizan las características dinámicas del paciente.
  • Los enfoques de aprendizaje profundo para este problema se exploran relativamente poco.

Objetivo del estudio:

  • Desarrollar y evaluar un novedoso modelo híbrido de aprendizaje profundo para predecir las readmisiones en el servicio de urgencias.
  • Integrar características clínicas tanto estáticas como dinámicas para mejorar la precisión de la predicción.
  • Identificar casos de readmisión en el SU de alto riesgo de manera más efectiva.

Principales métodos:

  • Se desarrolló un modelo híbrido de aprendizaje profundo que combina la Red Convolucional Temporal (TCN) y FT-Transformer.
  • El modelo utilizó características estáticas (edad, sexo, triaje) y dinámicas (signos vitales) de los datos del Hospital de la Universidad Nacional de Taiwán (NTUH).
  • Se implementó una estrategia de preprocesamiento para manejar las irregularidades de los datos temporales.

Principales resultados:

  • El modelo logró un AUROC de 0.8453 para readmisiones de alto riesgo y 0.7250 para readmisiones generales.
  • En comparación con una línea de base de regresión logística solo estática, el modelo híbrido mostró mejoras sustanciales en AUPRC y precisión.
  • El modelo demostró un rendimiento sólido en los datos de validación de diferentes períodos de tiempo.

Conclusiones:

  • El modelo híbrido de aprendizaje profundo propuesto supera significativamente a los métodos tradicionales para la predicción de readmisiones en el servicio de urgencias.
  • La fusión multimodal de datos clínicos utilizando aprendizaje profundo es eficaz para mejorar la predicción de readmisiones en el servicio de urgencias.
  • El modelo muestra una gran promesa para apoyar la toma de decisiones clínicas en la gestión de pacientes.