.png){kind=icon}
返回
Five steps in performing machine learning for binary outcomes
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jtcvs.2024.08.048.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景：机器学习（ML）在心血管和胸外科领域的应用正迅速发展。最大化机器学习的能力有助于改进患者风险分层和临床决策，提高预测准确性，并优化心脏手术中的资源利用。机器学习建模的许多细微差别和复杂性需要被理解，以便在临床研究环境中适当地实施这些技术。本指南为在临床研究中生成预测概率提供了机器学习的教育框架，并以一个真实世界的临床案例进行说明。方法：我们重点关注二元分类和不平衡类别的建模，这是心脏胸外科研究中的一个常见场景。我们提出一个5步策略，用于成功利用机器学习的力量并执行此类分析，并使用基于国家外科质量改进计划儿科数据库的真实案例来演示我们的策略。结论：外科医生、护理人员、统计学家、数据科学家和信息技术人员之间的合作，有助于最大化机器学习作为心脏手术中强大工具的影响力。
Keyword:
machine learning
model development
model validation
imbalanced classes
期刊
IF:
4.4
论文数:
779
被引数:
2.9W
机构
暂无机构信息
引用论文
The Precision-Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on Imbalanced Datasets在不平衡数据集上评估二元分类器时，精确召回率图比ROC图更具信息性.png)
PLOS ONE
OAAI
PLOS ONEIF0
OAAI分享收藏Key challenges for delivering clinical impact with artificial intelligence通过人工智能实现临床影响的关键挑战BMC MEDICINEOAAI
BMC MEDICINEIF8.3
OAAI分享收藏Explanation of machine learning models using shapley additive explanation and application for real data in hospital基于shapley可加性的机器学习模型解释及其在医院实际数据中的应用OAAI
OAAI分享收藏
Artificial intelligence-assisted care in medicine: a revolution or yet another blunt weapon? Potentials, challenges, and the future of implementing artificial intelligence (AI) for clinical careEUROPEAN HEART JOURNALOAAI
EUROPEAN HEART JOURNALIF35.6
OAAI分享收藏分享收藏
查看更多内容