相关实验视频

Updated: Jun 19, 2026

Co-immunoprecipitation Assay Using Endogenous Nuclear Proteins from Cells Cultured Under Hypoxic Conditions

Co-immunoprecipitation Assay Using Endogenous Nuclear Proteins from Cells Cultured Under Hypoxic Conditions

Published on: August 2, 2018

关于基于机器学习的临床医生决策支持算法在新加坡综合医院外科护理 (IMAGINATIVE) 影响的协议:一项大型前性随机对照试验

Hairil Rizal Abdullah^1,2,3, Tan Pei Yi Brenda⁴, Celestine Loh³

¹Department of Anesthesiology, Singapore General Hospital, Singapore hairil.rizal.abdullah@singhealth.com.sg.

|January 14, 2025

概括

本研究评估了一种用于预测手术风险的机器学习工具,旨在减少患者死亡率和重症监护室停留时间. 想象试验评估了这种临床决策支持系统在改善术后结果方面的有效性.

科学领域:

医疗信息学医疗信息学
手术结果研究研究.
医疗保健中的人工智能

背景情况:

随着外科手术的普及,需要改进预测和缓解术后并发症的方法.
客观的风险分层工具可以早期识别高风险患者,从而减少并发症和医疗费用.
在新加坡总医院实施了手术机器学习 (CARES-ML) 系统中遇到的风险的综合评估,以预测30天的死亡率和ICU需求.

研究的目的:

评估机器学习临床决策支持 (ML-CDS) 算法的有效性,以减少术后死亡率.
评估将CARES-ML系统整合到临床工作流程中的影响.
为了确定在一个大型学术医疗中心的ML驱动风险分层的有效性.

主要方法:

一个随机对照试验 (想象试验) 具有1型有效性实施设计.
9200名接受选择性非神经学和非心脏学手术的患者将被随机分配1:1到CARES指导或未指导的组.
主要结果是术后死亡率,比较ML-CDS算法在临床工作流程中的有效性.

主要成果:

这项研究旨在评估ML-CDS算法的有效性,以改善外科手术期间死亡率.
该系统的目标是为手术患者提供客观的风险分层.
该试验将提供关于人工智能在手术风险管理中的真实影响的数据.

结论:

想象试验将确定ML-CDS集成是否可以改善手术结果.
使用CARES-ML进行有效的风险分层可能会提高患者的安全性并优化资源配置.
研究结果将为在外科护理途径中更广泛地采用人工智能工具提供信息.

关键词:

人工智能的人工智能医疗信息学医疗信息学死亡率死亡率死亡率风险管理风险管理

相关概念视频

Types of Biopharmaceutical Studies: Controlled and Non-Controlled Approaches

Types of Biopharmaceutical Studies: Controlled and Non-Controlled Approaches

Biopharmaceutical studies constitute a vital field aiming to enhance drug delivery methods and refine therapeutic approaches, drawing upon diverse interdisciplinary knowledge. In research methodologies, the choice between controlled and non-controlled studies significantly influences the study's reliability and accuracy.
Non-controlled studies, commonly employed for initial exploration, lack a control group, rendering them susceptible to biases and external influences. In contrast, controlled...