机构名称：
¥ 1.0
鉴于此，我建立了将Echonet动力学集成到标准临床工作流程中所需的工具和基础设施。这使我们能够进行3,769个超声心动图研究的盲，随机临床试验，以将模型的性能与超声检查员评估进行比较[6]。首先，试验发现该模型的预测已充分融合到工作流程中，心脏病专家审查了初步评估，无法可靠地确定模型或超声检查员是否进行了初步评估。该试验还发现，心脏病专家对模型的初始评估进行了重大变化（对Sonogra-Pher的27.2％而言，16.8％），并且使用该模型的初始评估节省了心脏病专家和超声学家的时间。该模型已经完成了FDA 510（k）清除过程，以确保其符合安全和功效标准。
Bryan He |研究声明 Bryan He |教学声明 程序死亡率：模型开发和验证研究 心脏诊断的多模式对比度学习 逆增强学习算法
主要关键词
相关文件推荐
