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

Actuarial Approach01:20

Actuarial Approach

336
The actuarial approach, a statistical method originally developed for life insurance risk assessment, is widely used to calculate survival rates in clinical and population studies. This method accounts for participants lost to follow-up or those who die from causes unrelated to the study, ensuring a more accurate representation of survival probabilities.
Consider the example of a high-risk surgical procedure with significant early-stage mortality. A two-year clinical study is conducted,...
336
Nonconscious Mimicry01:13

Nonconscious Mimicry

5.2K
Nonconscious mimicry occurs when individuals alter their mannerisms to match the behaviors and expressions of those nearby, without intention.
5.2K
Regression Toward the Mean01:52

Regression Toward the Mean

7.2K
Regression toward the mean (“RTM”) is a phenomenon in which extremely high or low values—for example, and individual’s blood pressure at a particular moment—appear closer to a group’s average upon remeasuring. Although this statistical peculiarity is the result of random error and chance, it has been problematic across various medical, scientific, financial and psychological applications. In particular, RTM, if not taken into account, can interfere when...
7.2K
Prediction Intervals01:03

Prediction Intervals

3.5K
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. 
3.5K

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

Spirituality in undergraduate nursing curricula: An integrative review of students' perspectives, attitudes, and experiences.

Nurse education today·2026
Same author

Integrative multi-omics analysis uncovers the regulatory network of wheat grain development during grain filling.

BMC plant biology·2026
Same author

Targeting DOT1L Reactivates HERV-K to Drive Cell Autonomous and Paracrine Senescence in Adenocarcinoma of the Esophagogastric Junction.

Cancer research·2026
Same author

Impact of prior cancer history on survival in patients with adenocarcinoma of esophagogastric junction: a retrospective cohort study using SEER database.

Translational cancer research·2026
Same author

Engineered oncolytic virus armed with anti-PCSK9 scFv boosts long-term CD8<sup>+</sup> T cell immunity via rewiring MHC-I antigen presentation.

Cell reports. Medicine·2026
Same author

Pain spectrum in immune checkpoint inhibitor-related adverse events: evolution, characteristics and management challenges based on bibliometrics.

Supportive care in cancer : official journal of the Multinational Association of Supportive Care in Cancer·2026

Video Experimental Relacionado

Updated: Feb 28, 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

2.7K

IA explicable para la predicción de mortalidad: un estudio comparativo utilizando el conjunto de datos MIMIC-III

Niusha Shafiabady1,2, Dave Akume2, Mohammadreza Haghighat3

  • 1Women in AI for Social Good Lab & Discipline of IT, Australian Catholic University, North Sydney, New South Wales, Australia Niusha.Shafiabady@acu.edu.au.

BMJ health & care informatics
|February 26, 2026
PubMed
Resumen
Este resumen es generado por máquina.

Los modelos de aprendizaje automático predicen con precisión la mortalidad en la unidad de cuidados intensivos (UCI), y Extra Trees y Gradient Boosting muestran el mayor rendimiento. La IA explicable identificó predictores clave de mortalidad, mejorando la toma de decisiones clínicas.

Palabras clave:
Inteligencia artificialSistemas de apoyo a la decisiónClínicoAprendizaje automáticoAtención al paciente

Videos de Experimentos Relacionados

Last Updated: Feb 28, 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

2.7K

Área de la Ciencia:

  • Informática médica
  • Inteligencia artificial en la atención sanitaria
  • Sistemas de apoyo a la decisión clínica.

Sus antecedentes:

  • La predicción de la mortalidad de los pacientes en las unidades de cuidados intensivos (UCI) es crucial para la optimización del tratamiento y la gestión de recursos.
  • Los modelos de aprendizaje automático (ML) demuestran potencial para superar a los sistemas de puntuación tradicionales en la predicción de la mortalidad en UCI.
  • La naturaleza de "caja negra" del ML dificulta la adopción clínica, lo que requiere métodos de IA explicable (XAI).

Objetivo del estudio:

  • Evaluar la precisión de varios algoritmos de ML en la predicción de la mortalidad en UCI utilizando el conjunto de datos MIMIC-III.
  • Aplicar técnicas de XAI, específicamente SHapley Additive exPlanations (SHAP), para identificar los predictores clave de mortalidad.
  • Evaluar el potencial de los modelos de ML interpretables en el apoyo a la toma de decisiones clínicas.

Principales métodos:

  • Un análisis retrospectivo de 600 registros de pacientes de la base de datos MIMIC-III.
  • Implementación y comparación de ocho algoritmos de ML: SVM, KNN, DT, GB, RF, NB, LR y ET.
  • Evaluación del rendimiento del modelo utilizando validación cruzada de tres pliegues, puntuación F1, sensibilidad, especificidad y precisión.
  • Aplicación de SHAP para identificar predictores significativos de mortalidad.

Principales resultados:

  • Extra Trees (ET) y Gradient Boosting (GB) lograron la mayor precisión (98,33 % y 98,23 %) con puntuaciones F1 superiores al 96 %.
  • Support Vector Machine (SVM) también mostró un rendimiento sólido (precisión del 97,50 %).
  • El análisis SHAP identificó la hipertensión, los tumores y las enfermedades endocrinas/digestivas como los principales predictores de mortalidad.

Conclusiones:

  • Los algoritmos de ML, en particular ET y GB, son muy eficaces para predecir la mortalidad en UCI.
  • La IA explicable (XAI) es esencial para generar confianza y facilitar la adopción de ML en entornos clínicos.
  • Los modelos de ML interpretables pueden apoyar de forma segura las decisiones informadas en UCI y mejorar los resultados de los pacientes.