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

Impact of Pharmacokinetic–Pharmacodynamic Models: Regulatory Decisions01:15

Impact of Pharmacokinetic–Pharmacodynamic Models: Regulatory Decisions

25
PK–PD modeling has significantly influenced FDA regulatory decisions, particularly drug approval, dosage optimization, and labeling. These models integrate pharmacokinetics (PK) and pharmacodynamics (PD) to predict drug behavior and effects, aiding in optimizing dosing regimens and enhancing the probability of clinical trial success.One notable example is Nesiritide (Natrecor®), a recombinant human brain natriuretic peptide for treating acute decompensated congestive heart failure...
25
Mechanistic Models: Compartment Models in Individual and Population Analysis01:23

Mechanistic Models: Compartment Models in Individual and Population Analysis

290
Mechanistic models are utilized in individual analysis using single-source data, but imperfections arise due to data collection errors, preventing perfect prediction of observed data. The mathematical equation involves known values (Xi), observed concentrations (Ci), measurement errors (εi), model parameters (ϕj), and the related function (ƒi) for i number of values. Different least-squares metrics quantify differences between predicted and observed values. The ordinary least...
290
Analysis of Population Pharmacokinetic Data01:12

Analysis of Population Pharmacokinetic Data

830
Analysis of population pharmacokinetic data involves studying the behavior of drugs within diverse populations to understand their pharmacokinetic parameters. Traditional pharmacokinetic methods typically involve collecting samples from a few individuals and estimating these parameters. While these methods are commonly used, they have limitations in capturing the variability in drug response among individuals or heterogeneous populations. Population pharmacokinetics is employed to address these...
830
Pharmacokinetic Models: Comparison and Selection Criterion01:26

Pharmacokinetic Models: Comparison and Selection Criterion

393
Physiological and compartmental models are valuable tools used in studying biological systems. These models rely on differential equations to maintain mass balance within the system, ensuring an accurate representation of the dynamic processes at play.
Physiological models take a detailed approach by considering specific molecular processes. They can predict drug distribution, metabolism, and elimination changes, providing a comprehensive understanding of how drugs interact with the body.
393

También podría leer

Artículos Relacionados

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

Ordenar por
Same authorSame journal

Integrating Clinical Classifications Software Refined, Process Indicators, and Geographic Information System Mapping to Inform Population Health Management: Development of an Interactive Dashboard.

JMIR medical informatics·2026
Same author

Direct Medical Costs Among an Inception Cohort of Patients With Inflammatory Arthritis and Osteoarthritis.

International journal of rheumatic diseases·2026
Same author

Early discharge within 48 h after minimally invasive colorectal resection: a propensity score-matched evaluation of clinical outcomes, resource utilization, and patient-reported experience.

Surgical endoscopy·2026
Same author

Determinants of Medical Help-Seeking Behavior Following Case Finding of Early Cognitive Impairment: Semistructured Interview Study of Patients and Caregivers.

JMIR aging·2026
Same author

Facilitators and Barriers to Implementing a Remote Monitoring Model of Care for Stable Patients With Axial Spondyloarthritis Using the Consolidated Framework for Implementation Research: Qualitative Study.

Journal of medical Internet research·2026
Same author

Archetypes of Family Health Climates for Nutrition and Physical Activity Among Families in Singapore: A Cross-Sectional Study.

Healthcare (Basel, Switzerland)·2026

Video Experimental Relacionado

Updated: Feb 22, 2026

Constructing and Visualizing Models using Mime-based Machine-learning Framework
06:19

Constructing and Visualizing Models using Mime-based Machine-learning Framework

Published on: July 22, 2025

2.6K

Modelos de aprendizaje automático de conjuntos para predecir pacientes con alto uso: validación de modelos y análisis

Joshua Kuan Tan1, Le Quan2, Hao Yi Tan1

  • 1Health Services Research Unit, Singapore General Hospital, Singapore, Singapore.

JMIR medical informatics
|February 20, 2026
PubMed
Resumen

Los modelos de aprendizaje automático de conjuntos predicen con precisión un alto uso de la atención médica, identificando el 77% de los futuros usuarios hospitalizados y el 73,9% de los futuros usuarios de urgencias. Estos modelos muestran un potencial de ahorro de costos significativo a través de intervenciones específicas.

Palabras clave:
simulación de Monte Carlointeligencia artificialanálisis de decisionesdiabetes mellitusanálisis económicoutilización de la atención médicagestión de la salud de la poblaciónaprendizaje automático

Videos de Experimentos Relacionados

Last Updated: Feb 22, 2026

Constructing and Visualizing Models using Mime-based Machine-learning Framework
06:19

Constructing and Visualizing Models using Mime-based Machine-learning Framework

Published on: July 22, 2025

2.6K

Área de la Ciencia:

  • Informática de la Salud; Aprendizaje Automático; Análisis Predictivo

Sus antecedentes:

  • Los modelos de aprendizaje automático se utilizan cada vez más para predecir una alta utilización de la atención médica.
  • La identificación temprana de pacientes en riesgo permite intervenciones específicas.

Objetivo del estudio:

  • Evaluar el rendimiento predictivo de los modelos de conjunto multiclase para la utilización de la atención médica.
  • Evaluar el impacto económico de estos modelos en escenarios del mundo real.

Principales métodos:

  • Se extendieron cuatro modelos de clasificación binaria (árboles potenciados, MARS, MLP, regresión logística) utilizando un enfoque de conjunto de apilamiento.
  • Los modelos multiclase predijeron la duración de la estancia (LOS) y las visitas a urgencias (ED) en estratos definidos.
  • Los modelos de conjunto se entrenaron con datos de 2020-2021 y se validaron con datos de 2021-2022 utilizando métricas de AUC, precisión y matriz de confusión.

Principales resultados:

  • Los modelos de conjunto de árboles potenciados demostraron el mayor rendimiento, logrando puntuaciones AUC de 0,6877 para la LOS y 0,7601 para las visitas a urgencias.
  • Los modelos clasificaron correctamente el 30,3% de la LOS hospitalaria y el 39,8% de las visitas a urgencias, identificando el 77% de los futuros usuarios hospitalizados y el 73,9% de los futuros usuarios de urgencias.
  • El análisis económico proyectó una reducción promedio de costos de 111 millones de dólares estadounidenses con el modelo de árbol potenciado que utiliza regularización logística como base de aprendizaje.

Conclusiones:

  • Los modelos de conjunto multiclase predicen eficazmente la utilización de la atención médica multinivel.
  • Estos modelos ofrecen potencial para ahorros de costos significativos y apoyan intervenciones específicas.
  • Los hallazgos pueden informar la planificación y presupuestación de programas de salud poblacional, particularmente para afecciones como la diabetes.