Applications of machine learning to electronic health record data in liver-related disease
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Electronic Health Records (EHRs) has gained its increasing significance in modern healthcare as its promising prospects in the application of machine learning. The accumulation of vast clinical data holds potential for repurposing in clinical research such as prediction, diagnosis and prognosis. However, the collection and preparation of EHR data present challenges, primarily due to the inherent incompleteness of the data and the associated privacy and security concerns. To address the issue, text-mining tools based on domain-specific lexicons, data sharing and multiple de-identification methods have been suggested. In terms of methodologies, various machine learning models and algorithms used in EHR data analysis are analyzed, including logistic regression, decision trees, random forests, and natural language processing, each with its unique application scenarios in the healthcare domain. Liver related diseases, including HAV, HBV, HCV and especially Liver Cancer, has affected hundreds of millions of people around the world. The incidence and mortality rates for these diseases are still rising continually. With recent advancements of Machine Learning techniques, such as the attention mechanism and BERT-based embedding, which have shown exceptional results in EHR analysis when applying to liver diseases. While EHRs offer a treasure trove of data for clinical research, the challenges associated with their collection, processing, and analysis cannot be ignored. It underscores the need for robust methodologies and tools to harness the full potential of EHRs while ensuring data integrity and patient privacy. In this paper, we will gather and review the existing application in the realm of liver-related diseases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle