首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

【姊妹篇】预测模型研究利器-列线图(Cox回归)

人类总是痴迷于“算命”。无论是中国文化中的“算命”,还是西方文化中的“占星术”,都显示出人们对此的热情。在这一部分,我们将讨论另一种科学的“算命”。 该模型将用于评估患者的预后。作为一名肿瘤科医生,在临床实践中你将面临癌症患者提出的诸如“我能活多久”之类的问题。这是一个令人头痛的问题。大多数情况下,我们可以根据相应疾病的临床分期来判断患者的中位生存时间。实际上,临床分期是我们对这些患者进行生存预测的基础,换句话说,临床分期就是“预测模型”。我们根据患者的临床分期用中位生存期来回答这个问题。但是,这样做可能会引出新的问题,因为用一群人的中位生存期来预测特定个体的生存时间可能并不那么准确,无法判断该特定个体的预后是更好还是更差。

05

机器学习能诊断病情,还能预测患者出院后的情况?

随着数据量以及计算机性能的不断提升,机器学习技术正逐渐渗透于各行各业中。计算机视觉、自然语言处理、机器人等领域基本上已经被机器学习算法垄断,正逐步向教育、银行、医疗等传统行业扩张。医疗行业应用AI也比较火热,比如利用AI检测癌症、驱动新药发现引擎、基因检测等。而脓毒症(Sepsis)是一种医疗行业常见的并发症,本文将使用机器学习预测脓毒症患者的出院后情况。 脓毒症是指因感染因素引起的全身炎症反应综合征,严重时可导致器官功能障碍或循环障碍,是严重创伤、烧伤、休克、感染和外科大手术等常见的并发症,因为其症状和发烧、低血压等其它常见疾病非常相像,很难被早期发现,如果不及时治疗,可进一步发展为感染性休克,其住院死亡率超过40%,相当危险。 了解脓毒症患者的最高死亡风险对临床医生的优先护理是有帮助的。团队与Geisinger健康护理系统的研究人员合作,使用历史电子健康记录数据(EHR)建立模型来预测脓毒症住院患者在住院期间或出院后90天的全因死亡率(all-cause mortality)。该模型可以指导医疗团队为那些预测为高概率死亡的患者进行仔细监测,并采取有效预防措施。

02

BrainAGE作为大脑老化的神经影像标志物的十年

随着人口老龄化,神经退行性疾病的发病率越来越高,给个人和整个社会带来越来越大的负担。然而,个体的衰老速度是由环境、基因和表观遗传等各种因素以及各因素间的相互作用决定的。建立神经解剖学衰老过程的生物标志物,是神经科学的一个新趋势,以便在个体水平上,对年龄相关性神经退行性疾病和神经精神疾病进行风险评估和预测。“脑年龄差距估计(Brain Age Gap Estimation,BrainAGE)”方法是基于结构MRI,预测和评估个体脑龄的首个也是实际应用最广泛的概念。本文总结了过去10年内发表的所有研究,这些研究建立并使用BrainAGE方法来评估基因、环境、生活负担、疾病或寿命之间的相互作用,研究衰老对个体神经解剖学的影响。未来,基于结构或功能标记物的BrainAGE和其他脑年龄预测方法可能会改善对神经病学、神经精神病学和神经退行性疾病的个体风险的评估,并有助于开发个性化的神经保护治疗和干预措施。本文发表在Frontiers in Neurology杂志。

03
领券