Loading...
机构名称:
¥ 1.0

确定高风险患者对于提供早期扩展诊断程序和治疗性干预至关重要。临床风险评分,例如造血细胞移植 - 特异性合并症指数(HCT-CI)[2]或内皮激活和压力指数(EASIX)[3] [3]是死亡率风险的宝贵预测因素,但是,不考虑患者的临床过程,因为它们通常仅在入院且不断地更新。医疗数据集的数字化增加允许使用一组广泛的参数,因此可以使用基于机器学习的算法进行风险预测。尽管最终的治疗决定仍在医生中,但这种系统可能会提供宝贵的帮助。为了接受,解释性仍然是一个重要因素。基于复杂的机器学习算法(例如卷积神经网络(CNN))的方法显示出令人鼓舞的结果[4],但其预测的解释性很难。相比之下,基于树的模型通过提供可解释的功能

同种异性造血干细胞后死亡率风险的动态预测

同种异性造血干细胞后死亡率风险的动态预测PDF文件第1页

同种异性造血干细胞后死亡率风险的动态预测PDF文件第2页

同种异性造血干细胞后死亡率风险的动态预测PDF文件第3页

同种异性造血干细胞后死亡率风险的动态预测PDF文件第4页

同种异性造血干细胞后死亡率风险的动态预测PDF文件第5页

相关文件推荐

2024 年
¥1.0
2024 年
¥1.0
2024 年
¥4.0