相关实验视频
Updated: Jun 16, 2025
08:46
A Neonatal Imaging Model of Gram-Negative Bacterial Sepsis
Published on: August 12, 2020
6.3K
区分新生儿培养负性败血症和排除性败血症,使用人工智能衍生的图表
Emma Holmes1,2, Justin Kauffman3,4, Courtney Juliano5
1Division of Newborn Medicine, Mount Sinai Hospital, New York, NY, USA. emma.holmes@mountsinai.org.
Pediatric research
|August 15, 2024
概括
人工智能可以使用电子健康记录来识别疾病. 一种基于图表的新方法区分新生儿的败血症,提供了可扩展的,数据驱动的方法.
科学领域:
- 医疗信息学医学信息学
- 新生儿研究新生儿研究.
- 医疗保健中的人工智能
背景情况:
- 电子健康记录 (EHR) 包含大量的非结构化数据.
- 准确识别新生儿败血症对于患者的治疗结果至关重要.
- 区分培养负性败血症和排除性败血症是一个临床挑战.
研究的目的:
- 开发和验证一种新的人工智能 (AI) 方法,用于使用非结构化电子健康记录数据识别疾病.
- 应用基于图形的方法来比较新生儿电子健康记录并利用时间数据.
- 创建一个可扩展的解决方案,以区分培养负性败血症和排除败血症.
主要方法:
- 利用基于图形的AI方法来分析全面的电子健康记录.
- 集成时间数据分析以建模疾病进展和患者轨迹.
- 专注于用于条件识别的电子健康记录中的非结构化数据.
主要成果:
- 人工智能方法在使用非结构化EHR数据识别病例方面表现出有效性.
- 基于图表的方法成功比较了新生儿中复杂的EHR数据.
- 该系统证明能够区分培养负性和排除性败血症.
结论:
- 新的AI方法可以有效地利用非结构化的EHR数据来识别疾病.
- 基于图形的,对EHRs的时间分析为新生儿败血症差异化提供了一个可扩展的解决方案.
- 这种数据驱动的方法提高了准确诊断新生儿败血症的能力.
