Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Jun 17, 2025

A Data-Driven Approach to Quantifying Immune States in Sepsis
07:42

A Data-Driven Approach to Quantifying Immune States in Sepsis

Published on: February 7, 2025

162

持续性败血症轨迹预测使用张量减小的生理信号.

Olivia P Alge1, Joshua Pickard2, Winston Zhang2

  • 1Department of Computational Medicine and Bioinformatics, University of Michigan, Ann Arbor, MI, USA. oialge@umich.edu.

Scientific reports
|August 5, 2024
PubMed
概括

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Integrated proteogenomic and metabolomic profiling of acute myeloid leukemias to identify molecular subtypes and associated therapy targets.

Nature cancer·2026
Same author

Translational bottlenecks in blood-based proteomics.

EMBO molecular medicine·2026
Same author

The rheological properties of <i>Candida albicans</i> colony biofilms are impacted by matrix production and cell wall structure.

Biofilm·2026
Same author

VO: The Vaccine Ontology.

Scientific data·2026
Same author

A 15-layer multi-omics analysis of gastric cancer ecotypes provides therapeutic insights.

Cell reports. Medicine·2026
Same author

Genetic Insights into the Rheological Phenotype of Candida albicans Biofilms.

Research square·2026
此摘要是机器生成的。

使用机器学习模型预测败血症进展显示出有希望. 生理信号的张量分解提高了预测准确性,提供了独立于电子健康记录数据可用性的实时见解.

科学领域:

  • 关键护理医学 关键护理医学
  • 生物医学工程 生物医学工程
  • 数据科学数据科学数据科学

背景情况:

  • 快速序列器官衰竭评估 (qSOFA) 系统对于识别患有败血症相关结果不良风险的患者至关重要.
  • 准确及时预测qSOFA得分的增加对于有效的临床干预至关重要.
  • 传统方法通常依赖于电子健康记录 (EHR) 数据,这些数据可能无法连续使用.

研究的目的:

  • 开发和评估用于预测qSOFA分数增加的机器学习模型.
  • 调查张量分解对生理信号 (心电图,动脉线) 的特征减少的实用性.
  • 为了比较使用EHR数据与生理信号的模型的性能.

主要方法:

  • 利用支持向量机器,使用形和凸形内核进行学习,以及随机森林算法.
  • 结构化生理信号数据 (心电图,动脉线) 在张量格式.
  • 应用法典多态/平行因子 (CP) 分解用于特征缩小.
  • 集成的EHR数据与信号衍生特征.

主要成果:

  • 随机森林在张量分解的心电图数据上进行训练,改善了预测性能 (AUROC 0.67 ± 0.06).
  • 整合动脉线数据进一步提高了性能,特别是在张量分解 (AUROC 0.71 ± 0.07).

更多相关视频

A Reproducible Intensive Care Unit-Oriented Endotoxin Model in Rats
05:56

A Reproducible Intensive Care Unit-Oriented Endotoxin Model in Rats

Published on: February 20, 2021

2.0K
Use of a Wireless Video-EEG System to Monitor Epileptiform Discharges Following Lateral Fluid-Percussion Induced Traumatic Brain Injury
09:16

Use of a Wireless Video-EEG System to Monitor Epileptiform Discharges Following Lateral Fluid-Percussion Induced Traumatic Brain Injury

Published on: June 21, 2019

25.6K

相关实验视频

Last Updated: Jun 17, 2025

A Data-Driven Approach to Quantifying Immune States in Sepsis
07:42

A Data-Driven Approach to Quantifying Immune States in Sepsis

Published on: February 7, 2025

162
A Reproducible Intensive Care Unit-Oriented Endotoxin Model in Rats
05:56

A Reproducible Intensive Care Unit-Oriented Endotoxin Model in Rats

Published on: February 20, 2021

2.0K
Use of a Wireless Video-EEG System to Monitor Epileptiform Discharges Following Lateral Fluid-Percussion Induced Traumatic Brain Injury
09:16

Use of a Wireless Video-EEG System to Monitor Epileptiform Discharges Following Lateral Fluid-Percussion Induced Traumatic Brain Injury

Published on: June 21, 2019

25.6K
  • 将EHR数据与张量减小信号模型相结合,获得了最高的性能 (AUROC 0.77 ± 0.06).

    • 结论:

    • 生理信号的张量分解改善了对qSOFA得分增加的预测模型性能.
    • 基于信号的模型提供实时,连续的预测能力,独立于EHR数据的可用性.
    • 整合多种数据源的机器学习模型显示出早期毒风险识别的巨大潜力.