XiaoMi-AI文件搜索系统
World File Search SystemCox
心力衰竭风险预测的可解释生存分析
生存分析或事件时间分析是医疗保健研究中的重要且普遍存在的问题。医学研究由于其简单性和解释性而在传统上取决于Cox模型的生存分析。COX模型会随着时间的流逝具有对数线性危害函数和比例危害，并且在这些临时失败时会表现不佳。基于机器学习的新生存模型避免了这些假设并提供了提高的准确性，但有时以模型可解释性为代价，这是临床使用的活动。我们提出了一条新型的生存分析管道，该管道既可以解释又具有最先进的生存模式。具体来说，我们使用改进的生存堆叠版本将生存分析问题转化为分类问题，控制权以执行特征选择，并显然可以提升机器，以产生可靠的相互预测。为了评估我们的管道，我们使用大型EHR数据库预测心力衰竭的风险。我们的管道实现了最新的性能，并提供了有关心力衰竭危险因素的互动和新颖的见解。
生物医学和药物治疗
有限的文献可用于贝伐单抗暴露 - 响应关系，并且与最佳疾病控制相关的浓度阈值没有。这项对转移性结直肠癌（MCRC）患者的前瞻性观察性研究旨在在现实生活中评估BEV Acizumab通过稳态（C槽，SS）和疾病控制的浓度之间的关系。c槽，Ss绘制，硬币与反应的放射学评估（进展或临床益处）。 进行了广义估计方程（GEE）分析。 为了测试C槽，每个患者的SS之间的关联（OS）或无进展生存期（PFS），开发了COX比例危害模型。 数据包括50名贝伐单抗C槽，来自27名患者的SS。 GEE模型没有暗示贝伐单抗C槽，SS和临床益处之间的任何正相关（OR 0.99，95％CI：0.98 - 1.02，p = 0.863）。 COX回归显示出较高的中值C槽，SS具有更好OS的SS（HR 0.86，95％CI：0.73 - 1.01，P = 0.060），但与PFS没有。 我们无法确认Bevacizumab c槽，SS和临床益处之间的关系，但这是第一项试图显示MCRC中贝伐单抗C槽，SS和疾病控制之间关系的现实研究。 它以较小的样本量进行，从而降低了证据水平。 需要进一步控制足够数量的患者的随机研究。c槽，Ss绘制，硬币与反应的放射学评估（进展或临床益处）。进行了广义估计方程（GEE）分析。 为了测试C槽，每个患者的SS之间的关联（OS）或无进展生存期（PFS），开发了COX比例危害模型。 数据包括50名贝伐单抗C槽，来自27名患者的SS。 GEE模型没有暗示贝伐单抗C槽，SS和临床益处之间的任何正相关（OR 0.99，95％CI：0.98 - 1.02，p = 0.863）。 COX回归显示出较高的中值C槽，SS具有更好OS的SS（HR 0.86，95％CI：0.73 - 1.01，P = 0.060），但与PFS没有。 我们无法确认Bevacizumab c槽，SS和临床益处之间的关系，但这是第一项试图显示MCRC中贝伐单抗C槽，SS和疾病控制之间关系的现实研究。 它以较小的样本量进行，从而降低了证据水平。 需要进一步控制足够数量的患者的随机研究。进行了广义估计方程（GEE）分析。为了测试C槽，每个患者的SS之间的关联（OS）或无进展生存期（PFS），开发了COX比例危害模型。数据包括50名贝伐单抗C槽，来自27名患者的SS。GEE模型没有暗示贝伐单抗C槽，SS和临床益处之间的任何正相关（OR 0.99，95％CI：0.98 - 1.02，p = 0.863）。COX回归显示出较高的中值C槽，SS具有更好OS的SS（HR 0.86，95％CI：0.73 - 1.01，P = 0.060），但与PFS没有。我们无法确认Bevacizumab c槽，SS和临床益处之间的关系，但这是第一项试图显示MCRC中贝伐单抗C槽，SS和疾病控制之间关系的现实研究。它以较小的样本量进行，从而降低了证据水平。需要进一步控制足够数量的患者的随机研究。
相关签名-IU Indianapolis Scholarworks
急性髓样白血病（AML）是最常见的造血恶性肿瘤之一，其结果不利，复发率很高。自噬在对白血病的发展和治疗反应中起着至关重要的作用。这项研究确定了潜在的自噬相关签名来监测AML患者的预后。转录组促进液（GSE37642）作为训练集，而TCGA-AML和GSE12417则用作验证同类。单变量回归分析和多变量逐步回归分析分别应用于确定与自噬相关的签名。识别与患者的总体生存率（OS）显着相关的单变量COX回归分析（ARGS）识别32个自噬相关基因（ARGS），并且主要在自噬，p53，ampk和TNF的信号传导途径中富含。一个预后签名，包括八个ARG（BAG3，Calcoco2，Camkk2，Canx，Canx，Dapk1，P4HB，TSC2和ULK1），并且通过Lasso - Cox spepwise Recression分析建立了良好的预测能力。发现高风险患者的OS比低风险组的患者短得多。调整临床病理参数后，该签名可以用作独立的预后预测指标，并在两个外部AML集合进行验证。在两组中分析的差异表达基因参与了炎症和免疫信号通路。潜在的可药物与OS相关的ARG。本研究对肿瘤效果免疫细胞的分析证实了高危患者具有强烈的免疫抑制微环境。
与游戏收集定量数据中的有效性威胁
我们已经看到使用游戏来收集游戏以外的研究问题的数据本身，这是在研究本身之外的研究问题，称为游戏研究（Deterding等，2015）或基于游戏的方法（Slegers等，2016）。例如，经济学家长期以来不得不与他们无法进行真正的宏观经济实验的事实作斗争 - 政府也不会允许他们，也不能真正建立并比较两个相同的现实生活经济体。因此，像卡斯特罗诺娃，威廉姆斯，拉坦和基冈（2009）或Živić，Andjelković，Andjelković，Özden，Dekić和Castronova（2017）已经探索了基于经济性经济学的虚拟经济学，在MACRIEN上，在Maccrotect of MacCRAID上，已经探索了使用MacCRIEN的虚拟经济体的使用。现实世界。正在适应现有的，并创建了新游戏，例如实验室和在线实验（Hawkins，Rae，Nesbitt和Brown，2012; Oladimeji，Thimbleby，Curzon，Iacovides，Iacovides和Cox，＆Cox，＆Cox，2012年）。例如心理学和流行病学是重新修复游戏智能 - 现有娱乐游戏的大规模数据 - 回答基础研究问题（Devlin等，2014； Williams，Contractor，Poole，Poole，Srivastava，＆Cai，＆Cai，2011）。在人们的游戏中表现与诸如流畅智能（Kokkinakis，Cowling，Drachen和Wade，2017年）等游戏外的特征之间建立了密切的关系，他们建议游戏可以用作替代心理测量乐器。人类计算机互动（HCI）和其他领域的定性研究人员越来越多地使用板和纸牌游戏来构建用户和设计研究过程（Hannula＆Harviainen，2016； Slegers等，2016）。所谓的公民科学游戏正在吸引成千上万的志愿者来众筹科学数据收集和处理任务，例如记录污染水平，分类星系图像或识别蛋白质折叠（Cooper，2015年）。
![arxiv：2310.15472v1 [cs.lg] 2023年10月24日](/simg/g:\will\search\icon\source\3\353ae33f3b3844f3b4232993715a3ad4a7bbbe89.webp)
arxiv：2310.15472v1 [cs.lg] 2023年10月24日
生存分析或事件时间分析是医疗保健研究中的重要且普遍存在的问题。医学研究由于其简单性和解释性而在传统上取决于Cox模型的生存分析。COX模型会随着时间的流逝具有对数线性危害函数和比例危害，并且在这些临时失败时会表现不佳。基于机器学习的新生存模型避免了这些假设并提供了提高的准确性，但有时以模型可解释性为代价，这是临床使用的活动。我们提出了一条新型的生存分析管道，该管道既可以解释又具有最先进的生存模式。具体来说，我们使用改进的生存堆叠版本将生存分析问题转化为分类问题，控制权以执行特征选择，并显然可以提升机器，以产生可靠的相互预测。为了评估我们的管道，我们使用大型EHR数据库预测心力衰竭的风险。我们的管道实现了最新的性能，并提供了有关心力衰竭危险因素的互动和新颖的见解。
全球战略联盟的组织设计
本研究由哈里伯顿基金会与研究中心、考克斯商学院和美国陆军行为与社会科学研究所合作资助。作者谨感谢 Joan Brett、Laura Cardinal、Gary Hamel、Dileep Hurry、Ellen Jackofsky 和 Robin Pinkley 提出的建设性意见。
生成的AI：在生物统计学中转换自动化
模型选择和实现：•问：“ GPT，为此事件数据提出最佳的统计模型。” •响应：GPT建议COX比例危害模型，解释为什么它适合生存数据，并生成相应的R或Python代码。•此外：您可以通过询问“我们可以针对这些协变量进行调整：年龄，性别和治疗类型？”来进行交互调整模型吗？”
使用电子健康记录的糖尿病患者入射心力衰竭的深度学习预后建模：回顾性队列研究
与没有糖尿病的患者相比，2型糖尿病患者（T2DM）的心力衰竭风险（HF）的风险是患心力衰竭（HF）的两倍以上。本研究的目的是建立人工智能（AI）预后模型，该模型考虑了大型杂质的临床因素集，并研究了糖尿病患者患HF的风险。我们进行了电子健康记录（EHR-）基于回顾性队列研究，其中包括具有心脏病临床评估的患者，并且没有先前对HF的诊断。信息包括从常规医疗服务的一部分获得的临床和行政数据中提取的功能。主要终点是诊断HF（在冬常临床检查或住院期间）。我们使用（1）COX比例危害模型（COX）和（2）一种深神经网络生存方法（PHNN）开发了两个预后模型，其中使用神经网络表示非线性危害功能，并将解释性策略应用于预测因素对风险功能的影响。在65个月的中位随访中，10,614名患者中有17.3％发展出HF。PHNN模型在歧视方面的表现（C-指数为0.768 vs 0.734）和校准（2年综合校准指数0.008 vs 0.018）。AI方法导致鉴定了不同领域的20个预测因子（年龄，体重指数，超声心动图和心电图特征，实验室测量，合并症，疗法）与预测风险的关系对应于临床实践的已知趋势。我们的结果表明，糖尿病患者的HF的预后模型可以使用EHR与AI技术结合使用的生存分析来改善，从而为标准方法提供了较高的灵活性和更好的性能。
2025; 16（6）：2001-2014。 doi：10.7150/jca.105171研究论文一种机器学习模型，利用CT放射线特征和外周血炎症
目的：研究机器学习模型的价值，该模型在预测接受PD-1抑制剂的不可切除的食管鳞状细胞癌（ESCC）患者的预后中整合了放射性特征和外周血炎症标志物的预后。方法：进行了回顾性收集，涉及105例无法切除的ESSC患者，他们在2020年1月至2023年8月在中国科学和技术大学的第一家附属医院接受了PD-1抑制剂以及同时进行的化学放疗。这些患者被随机分为训练集（n = 74）和验证集（n = 31）。放射素学特征，并使用Pearson相关和Lasso-Cox方法进行了特征选择。基线临床特征，并在免疫疗法开始之前和治疗后4-6周内收集血液学参数，以计算炎症标记。随后，使用多元COX比例危害模型鉴定了影响患者预后的独立放射素学特征，并将这些特征纳入基于临床特征的多元COX模型中，以得出结合放射线和临床特征的独立预后因素。根据涉及临床特征，放射线特征和联合指标的COX分析结果，构建了拟议图以预测患者的2年无进展生存期（PFS）。使用ROC曲线和校准曲线对模型进行评估和评估。结果：在训练队列中，临床模型的AUC为0.705，放射素模型为0.573，合并模型为0.834。在验证队列中，临床模型的AUC为0.784，放射素模型为0.775，合并模型为0.872。结论：整合放射素特征NGTDM-busyness，炎症标记δNLR和临床特征M级的组合模型为患者的2年PFS提供了最佳的预测值。