人工智能驱动的翻译医学:用于预测疾病结果和优化以患者为中心的护理的机器学习框架

科学领域:

• 医疗信息学 医疗信息学
• 计算生物学 计算生物学
• 翻译医学是一种翻译医学.

背景情况:

• 人工智能 (AI) 和机器学习 (ML) 正在改变医学,使得更好的疾病预测和患者护理成为可能.
• 数据异质性和可扩展性等挑战阻碍了当前AI/ML模型的最佳预测性能.
• 解决这些局限性对于推进个性化医学和临床决策支持至关重要.

研究的目的:

• 提出一种基于人工智能的新框架,集成梯度增强机器 (GBM) 和深度神经网络 (DNN).
• 评估框架在各种数据集上的表现,包括MIMIC-IV和英国生物银行.
• 克服数据异质性,类不平衡和可扩展性方面的挑战,以改进预测建模.

主要方法:

• 开发了一个混合AI框架,将GBM和DNN结合起来.
• 使用MIMIC-IV重症监护数据库和英国生物银行数据集验证了框架.
• 使用准确度,精度,回忆,F1-Score和AUROC对已建立的ML模型进行性能评估.

主要成果:

• 拟议的框架显著优于经典模型,如物流回归,随机森林,SVM和标准神经网络.
• 在英国生物库数据集上获得了0.96的AUROC,超过了神经网络 (0.92).
• 通过快速的训练时间 (32.4s在MIMIC-IV上) 和低预测延迟,证明了高效率.

结论:

• 人工智能框架有效地解决了翻译医学中的关键挑战,提供了卓越的预测准确性和效率.
• 它在各种数据集中的强大性能表明实时临床决策支持系统的巨大潜力.
• 未来的工作重点是提高可扩展性和可解释性,以实现更广泛的临床采用和改善患者的治疗结果.