机器学习生理波形和电子健康记录数据:一大批高保真性生理波形的大型手术期数据集
Sungsoo Kim1, Sohee Kwon2, Akos Rudas3
1Department of Anesthesiology and Perioperative Medicine, University of California Los Angeles, Los Angeles, CA 90095, USA; Department of Electrical & Computer Engineering, The University of Texas at Austin, Austin, TX, USA.
Critical care clinics
|September 13, 2023
概括
这项研究介绍了MLORD数据集,这是一种用于分析生理波形和电子健康记录的动态外科手术周围因素的新资源,以改善患者的治疗结果.
科学领域:
- 麻醉学 麻醉学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 术后发病率和死亡率与静态和动态因素有关.
- 对于生理波形等动态周围操作因素的数据有限.
- 了解这些动态因素在临床上很重要.
研究的目的:
- 介绍一个新的,大规模的外科手术周围数据集:MLORD (机器学习生理波形和电子健康记录数据).
- 解决关于动态外术因素的研究缺口.
- 为预测建模提供机器学习教程.
主要方法:
- 开发MLORD数据集,整合生理波形和电子健康记录.
- 机器学习技术用于预测建模的应用.
- 关于复杂,多样化的数据结构培训模型的教程.
主要成果:
- MLORD数据集为外科手术期间的研究提供了一个全面的资源.
- 在这个数据集上可以训练机器学习模型来预测结果.
- 该教程展示了机器学习在这个领域的实际应用.
结论:
- MLORD数据集对外科外科研究做出了有价值的贡献.
- 机器学习在分析动态的外科手术数据方面具有很大的潜力.
- 使用MLORD进行进一步的研究可以提高患者的安全性和结果.
更多相关视频
10:07Simultaneous Recordings of Cortical Local Field Potentials, Electrocardiogram, Electromyogram, and Breathing Rhythm from a Freely Moving Rat
Published on: April 2, 2018
10.9K
09:42Acquisition and Semi-Automated Analysis of Respiratory Muscle Surface Electromyography
Published on: January 24, 2025
611
