抽象目标心血管疾病(CVD)是印度最普遍的疾病之一,占总死亡的近30%。对印度人口中CVD风险评分的研究匮乏,常规风险评分的有限表现以及无法重现随机临床试验中的初始准确性的研究,这导致了有关大规模患者数据的这项研究。目的是在未来10年内开发基于人工智能的风险评分(AICVD),以预测CVD事件(例如,急性心肌梗塞/急性冠状动脉综合征),并将模型与Framingham Heart风险评分(FHRS)和QRISK3进行比较。方法我们的研究包括31599名从2009年至2018年的18-91岁的参与者在印度的六家阿波罗医院。使用Spearman相关系数和倾向分数匹配的多步风险因素选择过程产生了21个风险因素。使用多层神经网络预测事件发生(分类)和事件的时间(危害模型)的风险因素建立了一个深度学习危害模型。此外,该模型通过来自印度和荷兰的独立回顾人群进行了验证,并与FHRS和QRISK3进行了比较。结果深度学习危害模型的性能良好(曲线下的区域(AUC)0.853)。验证和比较结果显示,AUC在0.84至0.92之间,阳性似然比(AICVD -6.16至FHRS -FHRS -2.24和QRISK3 -1.16)和准确性(AICVD -80.15%至FHRS至FHRS 59.71%和Qrisk3 51.51.51.51.51.51.51.51.51.57%)。在荷兰队列中,AICVD还优于Framingham心风险模型(AUC -0.737 vs 0.707)。结论本研究得出的结论是,新型基于AI的CVD风险评分对心脏事件的预测性能高于印度人群的常规风险评分。试用注册号CTRI/2019/07/020471。
脑电图 (EEG) 的视觉解释非常耗时、可能缺乏客观性并且仅限于人类可检测到的特征。基于计算机的方法,尤其是深度学习,可以克服这些限制。然而,大多数深度学习研究都集中在特定问题或单一病理上。在这里,我们探索了深度学习在基于 EEG 的诊断和预后评估中对各种病因的急性意识障碍 (ACI) 患者的潜力。我们回顾性分析了来自一项随机对照试验 (CERTA,NCT03129438) 的 358 名成年人的 EEG。卷积神经网络用于预测临床结果(基于生存率或最佳大脑性能类别)并确定病因(四种诊断类别)。最大概率输出作为网络对其预测的信心的标志(“确定性因子”);我们还系统地将预测与原始 EEG 数据进行了比较,并使用可视化算法 (Grad-CAM) 来突出显示判别模式。当考虑所有患者时,预测生存率的受试者工作特征曲线下面积 (AUC) 为 0.721,基于最佳 CPC 预测结果的受试者工作特征曲线下面积为 0.703;对于确定性因素 ≥ 60% 的患者,AUC 分别增加至 0.776 和 0.755;对于确定性因素 ≥ 75% 的患者,AUC 分别增加至 0.852 和 0.879。预测病因的准确率为 54.5%;对于确定性因素为 50%、60% 和 75% 的患者,准确率分别增加至 67.7%、70.3% 和 84.1%。视觉分析表明,该网络学习了人类专家通常识别的 EEG 模式,并提出了新的标准。这项工作首次展示了基于深度学习的 EEG 分析在患有各种病因的 ACI 的危重患者中的潜力。确定性因素和输入数据与预测的事后相关性有助于更好地表征该方法并为未来在临床常规中的实施铺平道路。
摘要 目的 评估不同类型血脂异常个体罹患2型糖尿病(T2DM)的风险,并比较不同血脂参数对T2DM的预测价值。 方法 对中国健康与养老纵向研究(CHARLS)的数据进行二次分析。在基线调查(2011—2012年)中,共访谈17 708名45岁以上个体,采集11 847份血样。在两次随访调查(2013—2014年和2015—2016年)中确认T2DM的结果。通过Cox比例风险回归模型估计T2DM与血脂异常相关的HR和95%CI。通过受试者工作特征(ROC)曲线下面积(AUC)比较八个血脂参数的判别值。 结果 共7329名参与者纳入分析;在平均3.4年的随访期内,387名(5.28%)受试者新发糖尿病。与血脂正常者相比,高胆固醇血症、高甘油三酯血症及低高密度脂蛋白胆固醇(HDL-C)者的2型糖尿病风险显著升高(HR(95% CI)分别为1.48(1.11至1.96)、1.92(1.49至2.46)和1.67(1.35至2.07))。非HDL-C(0.685,95%CI 0.659~0.711)、甘油三酯(TG)(0.684,95%CI 0.658~0.710)、总胆固醇(TC)/HDL-C(0.685,95%CI 0.659~0.712)及TG/HDL-C(0.680,95%CI 0.654~0.706)的AUC均显著(p<0.005)大于其他脂质参数。结论中老年人高甘油三酯血症、高胆固醇血症及低HDL-C是罹患糖尿病的高危人群,非HDL-C、TG、TC/HDL及TG/HDL在预测2型糖尿病发病率方面优于其他脂质参数。
摘要简介妊娠糖尿病(GDM)在墨西哥诊断不足。通过预测建模的早期GDM风险分层有望改善预防保健。我们开发了一个综合遗传和临床变量的GDM风险评估模型。使用“ Cuido Mi Embarazo”(CME)(CME)同类群的研究设计和方法数据用于开发(107例,469例对照),以及来自“MónicaPreteliniSáenz”母体围产期医院(HMPMPS)群体的数据,用于外部效力(32案例)(32例),1992案例,1992.32 conteration(32 Contractation(32),1992案例,1992案例,199.99例,199.99例(32例)。2小时的口服葡萄糖耐受性测试(OGTT),在24-28妊娠周进行了75 g葡萄糖,用于诊断GDM。选择了114个具有预测能力的单核苷酸多态性(SNP)进行评估。OGTT期间收集的血液样本用于SNP分析。将CME队列随机分为训练(70%的队列)和测试数据集(占队列的30%)。将培训数据集分为10组,9组以构建预测模型和1个用于验证。使用测试数据集和HMPMPS队列进一步验证了该模型。结果十九个属性(14个SNP和5个临床变量)与结果显着相关。 GDM预测回归模型中包括11个SNP和4个临床变量,并应用于训练数据集。该算法具有很高的预测性,曲线(AUC)下的面积为0.7507,灵敏度为79%,特异性为71%,并且有足够的功能来区分病例和对照。在进一步验证后,培训数据集和HMPMPS队列的AUC分别为0.8256和0.8001。结论我们使用遗传和临床因素开发了一个预测模型,以鉴定有患GDM风险的墨西哥妇女。这些发现可能有助于对GDM风险升高并支持个性化患者建议的代谢功能有更深入的了解。
背景与目的:循环淋巴细胞亚群对接受术后放疗的宫颈癌患者的预后价值尚不明确。本研究旨在探讨这些淋巴细胞亚群对该患者群体的预后意义。方法:采集101例宫颈癌患者术后放疗前的外周血样本。采用流式细胞术确定淋巴细胞亚群的比例和绝对计数,包括总T细胞、CD4+ T细胞、CD8+ T细胞、自然杀伤(NK)细胞和B细胞。采用Kaplan-Meier方法和Cox回归分析估计总生存期(OS)并确定关键的预后因素。生成受试者工作特征(ROC)曲线以评估预测准确性。结果:生存分析显示,与NK细胞水平较高的患者相比,NK细胞比例降低(P = 0.02)或NK细胞计数减少(P = 0.01)的患者的总生存期(OS)明显较差。单因素Cox分析显示,NK细胞比例(P=0.025;HR,0.33;95%CI,0.12~0.87)和NK细胞计数(P=0.015;HR=0.28)均显著影响OS。多因素分析显示,CD4+T细胞比例(P=0.02;HR,0.08;95%CI,0.01~0.72)和NK细胞计数(P=0.08;HR,0.11;95%CI,0.01~1.37)为独立的预后因素。NK细胞计数预测1、2、3年生存率的ROC曲线下面积(AUC)分别为0.66、0.76、0.68。与早期诊断的患者(特别是 IB3 和 IIA 期)相比,IIIC1 期患者的 NK 细胞绝对计数和比例均显著降低。结论:我们的研究发现,治疗前的循环 NK 细胞计数和比例水平可作为接受术后放疗的宫颈癌患者的有希望的预后生物标志物
最近的研究表明,怀孕和父母身份的转变对人类大脑结构特征有显著影响。在这里,我们介绍了一项全面的研究,研究了父母身份和出生/父亲的孩子数量与 36,323 名英国生物库参与者(年龄范围为 44.57 – 82.06 岁;52% 为女性)的大脑和细胞衰老标志之间的关联。为了评估父母身份对大脑的整体影响,我们在 T1 加权磁共振图像上训练了一个 3D 卷积神经网络,并在保留的测试集中估计了大脑年龄。为了研究区域特异性,我们使用 FreeSurfer 提取了皮质和皮质下体积,并运行了层次聚类以根据协方差对区域体积进行分组。来自 DNA 的白细胞端粒长度 (LTL) 被用作细胞衰老的标志。我们采用线性回归模型来评估孩子数量、大脑年龄、区域大脑体积和 LTL 之间的关系,并包括交互项以探究关联中的性别差异。最后,我们将大脑测量值和 LTL 作为二元分类模型中的特征,以确定大脑和细胞老化的标志是否可以预测父母身份。结果显示,无论男女,出生/父亲的孩子数量越多与大脑年龄越小之间存在关联,女性的影响更大。基于体积的分析显示,纹状体和边缘区域存在母体效应,而父亲则没有。我们没有发现孩子数量与 LTL 之间存在关联的证据。父母身份分类显示大脑年龄模型的 ROC 曲线下面积 (AUC) 为 0.57,而使用区域大脑体积和 LTL 作为预测因子的模型显示 AUC 为 0.52。我们的研究结果与之前针对中老年父母的基于人群的研究一致,揭示了父母经验与基于神经影像的大脑健康替代指标之间存在微妙但重要的关联。该研究结果进一步证实了对父母在怀孕和产后进行的纵向队列研究的结果,可能表明父母身份的转变与大脑健康的长期影响有关。
目的 全球每年约有 150 万人死于创伤性脑损伤 (TBI)。医生在早期预测重度 TBI 患者的长期结果方面相对较差。机器学习 (ML) 已显示出改善多种神经系统疾病预测模型的前景。作者试图探索以下几点:1) 与标准逻辑回归技术相比,各种 ML 模型的表现如何;2) 经过适当校准的 ML 模型是否可准确预测创伤后长达 2 年的结果。方法 对 2002 年 11 月至 2018 年 12 月期间在单个一级创伤中心接受治疗的重度 TBI 患者的前瞻性收集数据库进行了二次分析。使用格拉斯哥结果量表评估受伤后 3、6、12 和 24 个月的神经系统结果。作者使用 ML 模型(包括支持向量机、神经网络、决策树和朴素贝叶斯模型)通过入院时可用的临床信息预测所有 4 个时间点的结果,并将性能与逻辑回归模型进行了比较。作者试图预测不利与有利的结果(格拉斯哥结果量表评分为 1-3 vs 4-5)以及死亡率。使用具有 95% 置信区间和平衡准确度的受试者工作特征 (ROC) 曲线下面积 (AUC) 评估模型的性能。结果在数据库的 599 名患者中,作者分别在创伤后 3、6、12 和 24 个月纳入了 501、537、469 和 395 名患者。在所有时间点,使用各种建模策略,死亡率的 AUC 范围为 0.71 至 0.85,不良结果的 AUC 范围为 0.62 至 0.82。决策树模型在多个时间点的不良结果和死亡率方面的表现都比所有其他建模方法差。其他任何模型之间均无统计学显著差异。经过适当校准后,模型在不同时间点的变化很小(0.02–0.05)。结论本文测试的 ML 模型在 TBI 预测方面的表现与逻辑回归技术相当。TBI 预测模型可以预测受伤后 6 个月至 2 年的结果。
抽象背景:尽管立体定向辐射处理,但在局部转移性脑肿瘤的比例很大,并且可能需要几个月的时间才能在随访成像中明显这种局部进展。在肿瘤局部衰竭方面对放射线疗法的预测对这些患者至关重要,可以促进治疗调整或允许早期挽救疗法。目的:在这项工作中,引入了一种新颖的深度学习结构,以预测使用使用治疗计划的磁共振成像(MRI)和标准临床属性治疗的脑转移局部控制/失败的结果。方法:在所提出的体系结构的核心上是一个InceptionResentV2网络,可从每个MRI切片中提取局部结果前词的不同特征。将复发或变压器网络集成到体系结构中,以将MRI切片之间的空间依赖性纳入预测性调节中。基于预测差异分析的可视化方法与深度学习模型相结合,以说明每个病变的不同区域如何对MRI对模型的预测作用。使用从99名患者(116个病变)中获得的数据训练和选择,并在25例患者(40个病变)的独立检查集中进行了评估。结果:结果证明了MRI深度学习特征在结果预测中的潜在潜力,超过了标准临床变量。仅具有临床变量的预测模型证明了接收器工作特征曲线(AUC)下的面积为0.68。MRI深度学习模型的AUC在0.72至0.83的范围内取决于整合每个病变MRI切片的机制。最佳预测性能(AUC = 0.86)与将MRI深度学习特征与临床变量相结合的模型相关联,并使用长期短期记忆复发网络结合了固定层间依赖项。可视化结果强调了肿瘤/病变边缘在脑转移的局部结果预测中的重要性。结论:这项研究的有希望的结果表明,通过深入学习MRI和临床属性,可能早期预测放疗结果对脑转移的预测可能性,并鼓励未来对接受其他放射疗法治疗的大型患者进行研究。
[1] Ryan S. Baker。2024。大数据和教育(第8版)。宾夕法尼亚州费城宾夕法尼亚大学。 [2] Ryan S. Baker和Aaron Hawn。2022。教育算法偏见。国际人工智能杂志教育杂志(2022),1-41。[3] Solon Barocas,Andrew D Selbst和Manish Raghavan。2020。反事实解释和主要原因背后的隐藏假设。在2020年公平,问责制和透明度会议的会议记录中。80–89。[4] Alex J Bowers和Xiaoliang Zhou。2019。曲线下的接收器操作特征(ROC)区域(AUC):一种评估教育结果预测指标准确性的诊断措施。受风险的学生教育杂志(JESPAR)24,1(2019),20-46。[5] Oscar Blessed Deho,Lin Liu,Jiuyong Li,Jixue Liu,Chen Zhan和Srecko Joksimovic。2024。过去!=未来:评估数据集漂移对学习分析模型的公平性的影响。IEEE学习技术交易(2024)。[6] Olga V Demler,Michael J Pencina和Ralph B D'Agostino Sr. 2012。滥用DELONG测试以比较嵌套模型的AUC。医学中的统计数据31,23(2012),2577–2587。[7] Batya Friedman和Helen Nissenbaum。1996。计算机系统中的偏差。信息系统(TOIS)的ACM交易14,3(1996),330–347。[8]乔什·加德纳,克里斯托弗·布鲁克斯和瑞安·贝克。2019。225–234。通过切片分析评估预测学生模型的公平性。在第9届学习分析与知识国际会议论文集。[9]LászlóA Jeni,Jeffrey F Cohn和Fernando de la Torre。2013。面对不平衡的数据:使用性能指标的建议。在2013年,俄亥俄州情感计算和智能互动会议上。IEEE,245–251。 [10] Weijie Jiang和Zachary a Pardos。 2021。 在学生等级预测中迈向公平和算法公平。 在2021年AAAI/ACM关于AI,伦理和社会的会议上。 608–617。 [11]RenéFKizilcec和Hansol Lee。 2022。 教育算法公平。 在教育中人工智能的伦理学中。 Routledge,174–202。 [12]JesúsFSalgado。 2018。 将正常曲线(AUC)下的面积转换为Cohen的D,Pearson的R PB,Ordds-Ratio和自然对数赔率比率:两个转换表。 欧洲心理学杂志适用于法律环境10,1(2018),35-47。 [13] Lele Sha,Mladen Rakovic,Alexander Whitelock-Wainwright,David Carroll,Victoria M Yew,Dragan Gasevic和Guanliang Chen。 2021。 在自动教育论坛帖子中评估算法公平性。 教育中的人工智能:第22届国际会议,AIED 2021,荷兰乌得勒支,6月14日至18日,2021年,第I部分。 Springer,381–394。 2024。 2023。 2018。IEEE,245–251。[10] Weijie Jiang和Zachary a Pardos。2021。在学生等级预测中迈向公平和算法公平。在2021年AAAI/ACM关于AI,伦理和社会的会议上。608–617。[11]RenéFKizilcec和Hansol Lee。2022。教育算法公平。在教育中人工智能的伦理学中。Routledge,174–202。[12]JesúsFSalgado。2018。将正常曲线(AUC)下的面积转换为Cohen的D,Pearson的R PB,Ordds-Ratio和自然对数赔率比率:两个转换表。欧洲心理学杂志适用于法律环境10,1(2018),35-47。[13] Lele Sha,Mladen Rakovic,Alexander Whitelock-Wainwright,David Carroll,Victoria M Yew,Dragan Gasevic和Guanliang Chen。2021。在自动教育论坛帖子中评估算法公平性。教育中的人工智能:第22届国际会议,AIED 2021,荷兰乌得勒支,6月14日至18日,2021年,第I部分。Springer,381–394。2024。2023。2018。[14]Valdemaršvábensk`Y,MélinaVerger,Maria Mercedes T Rodrigo,Clarence James G Monterozo,Ryan S Baker,Miguel Zenon Nicanor LeriasSaavedra,SébastienLallé和Atsushi Shimada。在预测菲律宾学生的学习成绩的模型中评估算法偏见。在第17届国际教育数据挖掘会议上(EDM 2024)。[15]MélinaVerger,SébastienLallé,FrançoisBouchet和Vanda Luengo。您的模型是“ MADD”吗?一种新型指标,用于评估预测学生模型的算法公平性。在第16届国际教育数据挖掘会议上(EDM 2023)。[16] Sahil Verma和Julia Rubin。公平定义解释了。在国际软件公平研讨会的会议记录中。1-7。[17] Zhen Xu,Joseph Olson,Nicole Pochinki,Zhijian Zheng和Renzhe Yu。2024。上下文很重要,但是如何?课程级别的性能和公平转移的相关性在预测模型转移中。在第14届学习分析和知识会议论文集。713–724。[18] Andres Felipe Zambrano,Jiayi Zhang和Ryan S Baker。2024。在贝叶斯知识追踪和粗心大意探测器上研究算法偏见。在第14届学习分析和知识会议论文集。349–359。