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

Laboratory Medicine for Society.

Clinical chemistry and laboratory medicine·2026
Same author

Harmonization of measurement units: mission impossible or ethical imperative?

Clinical chemistry and laboratory medicine·2026
Same author

The value-based score in laboratory medicine: results of a European pilot study.

Clinical chemistry and laboratory medicine·2026
Same author

Inflammasome Gene Polymorphisms (NLRP3 and NLRC4) and Vitamin D Status in Patients with Multiple Sclerosis.

International journal of molecular sciences·2026
Same author

Analytical Methods for Fluid Biomarkers in Alzheimer's Disease from Discovery to Clinical Implementation.

International journal of molecular sciences·2026
Same author

Albumin decline corroborates physiological prothrombin time prolongation in the elderly.

Diagnosis (Berlin, Germany)·2026

相关实验视频

Updated: May 25, 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

135

完整血清和单细胞分布 基于宽度的机器学习算法用于检测败血症:多中心开发和外部验证研究

Andrea Campagner1, Luisa Agnello2, Anna Carobene3

  • 1IRCCS Ospedale Galeazzi Sant'Ambrogio, Milan, Italy.

Journal of medical Internet research
|February 26, 2025
PubMed
概括

机器学习模型将单细胞分布宽度 (MDW) 和完整血清参数结合起来,显示出早期败血症检测的前景. 这些先进的模型在各种临床环境中显示出更好的通用性和稳定性.

关键词:
人工智能的人工智能是人工智能.生物标志物生物标志物临床症状 临床症状 临床症状临床症状 临床症状全血细胞计数的完整数目.可控制的人工智能数据分布数据的分布.检测 检测 检测 检测 检测发展研究研究研究研究研究.诊断 诊断 诊断 的 诊断 诊断 诊断 的 诊断早期检测 早期检测通过外部验证.机器学习是机器学习.机器学习模型机器学习模型医学机器学习 医学机器学习器官 器官 器官 器官 器官器官功能障碍 器官功能障碍已经有了血症.败血症检测检测的检测验证研究的验证研究.

更多相关视频

Characterization of Human Monocyte Subsets by Whole Blood Flow Cytometry Analysis
09:12

Characterization of Human Monocyte Subsets by Whole Blood Flow Cytometry Analysis

Published on: October 17, 2018

57.5K
Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
07:15

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

6.6K

相关实验视频

Last Updated: May 25, 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

135
Characterization of Human Monocyte Subsets by Whole Blood Flow Cytometry Analysis
09:12

Characterization of Human Monocyte Subsets by Whole Blood Flow Cytometry Analysis

Published on: October 17, 2018

57.5K
Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
07:15

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

6.6K

科学领域:

  • 临床医学 临床医学
  • 生物医学工程 生物医学工程
  • 医疗保健中的人工智能

背景情况:

  • 败血症是感染导致的危及生命的器官功能障碍,需要早期检测才能改善患者的治疗结果.
  • 单细胞分布宽度 (MDW) 是一个公认的败血症生物标志物,但其临床实用性受到敏感性差和积极预测值的限制.
  • 现有的用于毒症检测的机器学习 (ML) 模型往往在现实世界的临床环境中表现出差的概括性.

研究的目的:

  • 开发和验证使用MDW和全血细胞计 (CBC) 参数进行早期败血症检测的ML模型.
  • 提高ML模型在不同临床环境中的通用性和稳定性,解决分布外的挑战.
  • 利用可控制的人工智能技术,包括谨慎分类和可解释的人工智能,以提高败血症检测准确性和模型可解释性.

主要方法:

  • 一项多中心研究,涉及意大利5家医院的5344名患者,用于训练和外部验证ML模型.
  • 模型被训练在急诊室的数据上,并对各种各样的队列 (急诊室和重症监护室) 进行验证,展示了各种数据分布轮班.
  • 纳入可控制的人工智能技术,如谨慎分类和可解释的人工智能,以提高模型的稳定性并提供诊断见解.

主要成果:

  • 开发的ML模型实现了高的内部验证性能 (AUC 0.91-0.98) 和一致的外部验证结果 (AUC 0.75-0.95).
  • 这些模型在不同队列中检测败血症的表现优于传统的生物标志物和现有的最先进的ML模型.
  • 可控制的人工智能技术提高了模型性能,并促进了可解释的诊断规则的推导.

结论:

  • 可控制的人工智能方法集成CBC和MDW显示出早期和准确检测败血症的巨大潜力.
  • 拟议的方法产生了对数据分布转移更有弹性的ML模型,提高了它们的临床适用性.
  • 这项研究突出了开发更可靠的人工智能驱动的诊断工具的途径,用于治疗诸如败血症等严重疾病.