https://ai.www.mybigtv.com/issue/feed JMIR人工智能 2022 - 07 - 26 - t08:15:03内 卡塔尔世界杯8强波胆分析 editor@www.mybigtv.com 开放期刊系统 JMIR AI是一份专注于人工智能在卫生环境中的应用的新期刊。这包括当代发展和历史例子,强调人工智能技术的合理方法评估和权威分析。它旨在成为卫生信息学专业人员了解如何应用和评估人工智能技术的可靠信息的主要来源。 https://ai.www.mybigtv.com/2023/1/e41264/ 为医院获得性压力损伤开发住院患者电子病历表型:使用自然语言处理模型的案例研究 2023 - 03 - 08 - t09:30:04凌晨 埃尔韦拉Nurmambetova 杰锅 乎张 Guosong吴 Seungwon李 Danielle A Southern 艾略特·马丁 切斯特何 徐元 凯西·伊斯特伍德 当依赖于行政卫生数据时,医院获得性压力损伤(HAPI)的监测通常是次优的,因为众所周知,国际疾病分类(ICD)代码有很长的延迟,并且编码不足。我们将自然语言处理(NLP)应用于电子病历(EMRs)中的自由文本笔记,特别是住院护理笔记,以更准确和及时地识别hapi。本研究旨在表明基于emr的表型算法比单独的ICD-10-CA算法更适合检测HAPIs,而通过护理笔记的NLP记录临床日志的准确性更高。在2015年至2018年在加拿大阿尔伯塔省卡尔加里进行的一项临床试验中,从当地三级急性护理医院的从头到脚皮肤评估中确定了HAPIs患者。在与出院摘要数据库连接后,从EMR数据库中提取试验期间记录的临床记录。在模型开发过程中,通过顺序前向选择处理几种类型临床记录的不同组合。利用随机森林(RF)、极限梯度增强(XGBoost)和深度学习模型开发了用于HAPI检测的文本分类算法。对分类阈值进行了调整,使模型能够实现与基于icd的表型研究相似的特异性。评估每个模型的性能,并在指标之间进行比较,包括敏感性、阳性预测值、阴性预测值和F1-评分。结果:本研究使用了280例符合条件的患者的数据,其中97例患者在试验期间患有HAPIs。 RF was the optimal performing model with a sensitivity of 0.464 (95% CI 0.365-0.563), specificity of 0.984 (95% CI 0.965-1.000), and F1-score of 0.612 (95% CI of 0.473-0.751). The machine learning (ML) model reached higher sensitivity without sacrificing much specificity compared to the previously reported performance of ICD-based algorithms. Conclusions: The EMR-based NLP phenotyping algorithms demonstrated improved performance in HAPI case detection over ICD-10-CA codes alone. Daily generated nursing notes in EMRs are a valuable data resource for ML models to accurately detect adverse events. The study contributes to enhancing automated health care quality and safety surveillance. Trial Registration: 2023 - 03 - 08 - t09:30:04凌晨 https://ai.www.mybigtv.com/2023/1/e40973/ 为人工智能支持的未来做准备:在医疗保健环境中采用人工智能技术的患者参与和医疗保健专业培训的观点 2023 - 03 - 02 - t09:15:03凌晨 Tharshini Jeyakumar 莎拉•哈里斯 张的旋律 梅根·克莱尔 丽贝卡Charow Inaara临床 Azra Dhalla Dalia Al-Mouaswas 吉莉安Scandiffio 贾斯汀艾琳 穆罕默德Salhia Nadim Lalani 斯科特Overholt 大卫Wiljer 背景:随着新技术的出现,在全球范围内提供护理的方式发生了重大转变。人工智能(AI)技术已被迅速而不可逆转地用于优化患者的治疗结果、降低卫生系统成本、提高工作流程效率和增强人口健康。尽管人工智能技术被广泛采用,但关于患者参与以及他们对人工智能将如何影响临床护理的观点的文献很少。极少的患者参与会限制这些新技术的优化,并导致在护理环境中的次优使用。我们旨在探讨患者的观点,即他们认为医疗保健专业人员应该具备哪些技能,以便为人工智能支持的未来做好准备,以及在医疗保健环境中采用和部署人工智能技术时,我们如何更好地吸引患者。研究人员于2020年8月至2021年12月对12名加拿大医疗保健机构的患者进行了半结构化访谈。访谈一直进行到主题饱和。Braun和Clarke提出的主题分析方法用于归纳分析数据并确定总体主题。结果:受访的12例患者中,8例(67%)来自城市环境,4例(33%)来自农村环境。大多数参与者对技术非常满意(n= 6,50%),对AI有点熟悉(n= 7,58%)。 In total, 3 themes emerged: cultivating patients’ trust, fostering patient engagement, and establishing data governance and validation of AI technologies. Conclusions: With the rapid surge of AI solutions, there is a critical need to understand patient values in advancing the quality of care and contributing to an equitable health system. Our study demonstrated that health care professionals play a synergetic role in the future of AI and digital technologies. Patient engagement is vital in addressing underlying health inequities and fostering an optimal care experience. Future research is warranted to understand and capture the diverse perspectives of patients with various racial, ethnic, and socioeconomic backgrounds. 2023 - 03 - 02 - t09:15:03凌晨 https://ai.www.mybigtv.com/2023/1/e40167/ 人工智能在非洲结核病治疗药物依从性监测中的应用:算法开发和验证 2023 - 02 - 23 - t09:45:04凌晨 朱丽叶·纳布耶·塞坎迪 就施 Ronghang朱 帕特里克Kaggwa 欧内斯特Mwebaze 盛李 背景:基于先进深度学习方法的人工智能(AI)在图像识别任务中的应用可以通过自动化提高药物依从性监测的效率。人工智能在临床环境中用于监测药物依从性的评估很少。然而,人工智能有可能改变医疗保健的提供方式,即使在资源有限的情况下,如非洲。目的:我们旨在试点开发一种用于简单二元分类和确认适当服药依从性的深度学习模型,以提高结核病治疗中患者视频监控的使用效率。方法:我们使用了861张药物摄入视频图像的二级数据集,这些图像来自于乌干达一项机构审查委员会批准的评估视频观察治疗的研究,这些研究从自愿的成年结核病患者中收集。视频图像经过一系列步骤处理,以准备在训练模型中使用。首先,我们使用特定的协议对视频进行注释,以消除质量较差的视频。在最初的注释步骤之后,有497个视频具有足够的质量来训练模型。其中阳性样本405份,阴性样本92份。通过一些预处理技术,我们得到了每个视频160帧,大小为224 × 224。 We used a deep learning framework that leveraged 4 convolutional neural networks models to extract visual features from the video frames and automatically perform binary classification of adherence or nonadherence. We evaluated the diagnostic properties of the different models using sensitivity, specificity, F1-score, and precision. The area under the curve (AUC) was used to assess the discriminative performance and the speed per video review as a metric for model efficiency. We conducted a 5-fold internal cross-validation to determine the diagnostic and discriminative performance of the models. We did not conduct external validation due to a lack of publicly available data sets with specific medication intake video frames. Results: Diagnostic properties and discriminative performance from internal cross-validation were moderate to high in the binary classification tasks with 4 selected automated deep learning models. The sensitivity ranged from 92.8 to 95.8%, specificity from 43.5 to 55.4%, F1-score from 0.91 to 0.92, precision from 88% to 90.1%, and AUC from 0.78 to 0.85. The 3D ResNet model had the highest precision, AUC, and speed. Conclusions: All 4 deep learning models showed comparable diagnostic properties and discriminative performance. The findings serve as a reasonable proof of concept to support the potential application of AI in the binary classification of video frames to predict medication adherence. 2023 - 02 - 23 - t09:45:04凌晨 https://ai.www.mybigtv.com/2023/1/e42253/ 在医疗保险优势计划中预测患者死亡率以早期姑息治疗识别:机器学习模型的特征 2023 - 02年- 20 - t10:00:07凌晨 安妮·鲍尔斯 切尔西德雷克 Alexi E Makarkin 罗伯特Monzyk Biswajit Maity 安德鲁某个 机器学习(ML)在预测医疗保险患者的生命结束和对姑息治疗服务的潜在需求方面,与单独的提供者建议相比,可以提供更高的精度和灵敏度。然而,早期对老年社区医疗保险受益人的ML研究对关键模型特征影响和健康社会决定因素的作用探索不足。本研究描述了预测年龄≥65岁(N=318,774)的医疗保险优先计划成员1年死亡率的二元分类ML模型的发展,并进一步检验了预测模型的主要特征。方法:基于5倍交叉验证选择一种轻梯度增强树模型配置。使用随机特征生成周期对80%的案例(n=255,020)进行训练,其中20% (n=63,754)保留作为验证的坚持。最终算法使用了907个特征输入,主要提取自索赔和行政数据,捕获患者诊断、服务利用、人口统计数据和基于人口普查的社会决定因素指数测量。结果:在2018年结果期,总样本的实际死亡率为3.9%。最终模型正确预测了最高风险前1%成员中44.2%的患者死亡(AUC=0.84;95% CI 0.83-0.85),而仅使用年龄、性别和选择高风险利用特征的模型迭代预测的24.0% (AUC=0.74;95% ci 0.73-0.74)。 The most important algorithm features included patient demographics, diagnoses, pharmacy utilization, mean costs, and certain social determinants of health. Conclusions: The final ML model better predicts Medicare Advantage member end of life using a variety of routinely collected data and supports earlier patient identification for palliative care. 2023 - 02年- 20 - t10:00:07凌晨 https://ai.www.mybigtv.com/2023/1/e42936/ 改善人工智能对卫生公平影响的战略:范围审查 2023 - 02 - 07 - t09:45:04凌晨 卡尔·托马斯·伯达尔 劳伦斯•贝克 肖恩·曼 Osonde Osoba 费德里科•Girosi 新兴的人工智能(AI)应用有改善健康的潜力,但它们也可能延续或加剧不平等。本综述旨在全面概述与使用人工智能应用有关的卫生公平问题,并确定为解决这些问题而提出的战略。我们搜索了PubMed、Web of Science、IEEE(电气和电子工程师学会)Xplore数字图书馆、ProQuest美国新闻流、学术搜索完整版、食品和药物管理局(FDA)网站和ClinicalTrials.gov,以确定2014年至2021年间发表的与人工智能和健康公平相关的学术和灰色文献,以及2020年至2021年COVID-19大流行期间与人工智能和健康公平相关的其他文献。文献有资格纳入我们的审查,如果它确定至少一个公平问题和相应的策略来解决它。为了组织和综合股权问题,我们采用了一个4步人工智能应用框架:背景上下文、数据特征、模型设计和部署。然后,我们创建了问题和战略之间联系的多对多映射。结果:在660份文件中,我们确定了18个股权问题和15个解决这些问题的策略。与数据特征和模型设计相关的公平性问题是最常见的。建议提高公平性的最常见策略是提高数据的数量和质量,评估应用程序带来的差异,增加模型报告和透明度,让更广泛的社区参与人工智能应用程序开发,以及改善治理。利益相关者在规划、开发和实施医疗保健中的人工智能应用时,应该审查我们对公平问题和战略的多对多映射,以便他们能够制定适当的计划,确保受其产品影响的人群的公平。 AI application developers should consider adopting equity-focused checklists, and regulators such as the FDA should consider requiring them. Given that our review was limited to documents published online, developers may have unpublished knowledge of additional issues and strategies that we were unable to identify. 2023 - 02 - 07 - t09:45:04凌晨 https://ai.www.mybigtv.com/2023/1/e38397/ 新冠肺炎大流行前和期间人工智能在医疗资源配置中的应用:范围综述 2023 - 01 - 30 - t09:30:04凌晨 吴皓 陆小 韩愈王 背景:卫生保健资源分配不平衡一直是世界各地卫生结果不平等和政治紧张的核心。人工智能(AI)已成为促进资源分配的一种有前途的工具,特别是在紧急情况下。然而,关于人工智能在医疗资源分配中的应用和伦理问题,目前还没有全面的综述。本研究旨在对人工智能在医疗资源分配中的应用进行范围综述,并探讨在这种情况下的伦理和政治问题。在PRISMA-ScR(系统评价和元分析扩展范围评价的首选报告项目)之后进行了范围评价。全面检索了MEDLINE (Ovid)、PubMed、Web of Science和Embase从成立到2022年2月的相关文献。该综述包括调查人工智能在医疗资源配置中的应用的定性和定量研究。该综述涉及22篇文章,其中9篇关于模型开发,13篇关于理论讨论、定性研究或回顾研究。在关于模型开发和验证的9项研究中,5项在新兴经济体进行,3项在发达国家进行,1项在全球范围内进行。从内容上看,4个侧重于卫生系统层面的资源配置,5个侧重于医院层面的资源配置。 Of the 13 qualitative studies, 8 were discussions on the COVID-19 pandemic and the rest were on hospital resources, outbreaks, screening, human resources, and digitalization. Conclusions: This scoping review synthesized evidence on AI in health resource distribution, focusing on the COVID-19 pandemic. The results suggest that the application of AI has the potential to improve efficacy in resource distribution, especially during emergencies. Efficient data sharing and collecting structures are needed to make reliable and evidence-based decisions. Health inequality, distributive justice, and transparency must be considered when deploying AI models in real-world situations. 2023 - 01 - 30 - t09:30:04凌晨 https://ai.www.mybigtv.com/2023/1/e42940/ 医疗保健中的人工智能算法:当前的食品和药物管理局法规是否足够? 2023 - 01 - 16 - t09:30:04凌晨 Meghavi Mashar Shreya拉 Fangyue陈 贝克Lubwama 凯尔·帕特尔 Mihir A Kelshiker 帕特里克•Bachtiger 尼古拉斯·彼得斯 鉴于机器学习(ML)技术在医疗保健领域的应用越来越广泛,监管机构在管理其临床使用方面面临着独特的挑战。在美国食品和药物管理局的监管框架下,已批准的ML算法实际上是被锁定的,阻止了它们在不断变化的临床环境中的适应,挫败了ML技术从现实世界反馈中学习的独特自适应特性。与此同时,法规必须严格执行患者安全水平,以降低系统层面的风险。鉴于ML算法通常支持或有时取代医疗专业人员的角色,我们提出了一种类似于医疗专业人员监管的新型监管途径,包括算法从初始、开发到临床实施以及持续的临床适应的生命周期。然后,我们将深入讨论其实施的技术和非技术挑战,并提供潜在的解决方案,以释放ML技术在医疗保健中的全部潜力,同时确保质量、公平和安全。本文的参考文献是通过PubMed搜索“人工智能”、“机器学习”和“监管”确定的,时间从2017年6月25日到2022年6月25日。文章还通过搜索文章的参考列表来确定。只有用英文发表的论文被审查。最终的参考文献列表是基于本文的原创性和广泛范围的相关性而生成的。 2023 - 01 - 16 - t09:30:04凌晨 https://ai.www.mybigtv.com/2023/1/e40843/ 用于建立全面和实时创伤观测站的深度学习变压器模型:开发和验证研究 2023 - 01 - 12 - t09:15:03凌晨 加布里埃尔Chenais 塞德里克Gil-Jardine 海琳Touchais Marta Avalos Fernandez 本杰明Contrand Eric代表 泽维尔梳 Loick Bourdois 菲利普陶醉 阿加德 公共卫生监测依赖于数据收集,通常是近乎实时的数据收集。自然语言处理的最新进展使人们有可能设想一个从电子健康记录中提取信息的自动化系统。目的:为了研究在法国建立国家创伤观测站的可行性,我们比较了几种自动语言处理方法在非结构化临床记录的多类别分类任务中的表现。方法:手工注释了2012年至2019年期间法国波尔多大学医院急诊就诊相关的69110份自由文本临床记录。在这些临床记录中,创伤占32.5%(22481 / 69110)。我们训练了4个变压器模型(包含注意力机制的深度学习模型),并将它们与支持向量机方法相关的术语频率逆文档频率进行了比较。结果:变压器模型的表现始终优于术语频率逆文档频率和支持向量机。在变形机中,GPTanam模型在306,368份未标记临床笔记上使用带有额外自动监督学习步骤的法语语料进行预训练,表现最佳,微F1-得分为0.969。结论:在叙述和医疗数据的多类别分类中,变压器被证明是有效的。进一步的改进应集中在缩略语的扩展和多输出多类分类上。 2023 - 01 - 12 - t09:15:03凌晨 https://ai.www.mybigtv.com/2022/1/e41030/ 使用通用数据模型预测慢性疾病:发展研究 2022 - 12 - 22 - t09:15:24凌晨 Chanjung李 布莱恩·乔 Hyunki吸引 Yoori Im 来雄公园 ChulHyoung公园 背景:慢性疾病管理是世界范围内的一个主要健康问题。随着范式向预防医学的转变,使用机器学习的疾病预测建模对于精确和准确的医疗判断越来越重要。本研究旨在利用通用数据模型(CDM)和机器学习建立4种慢性疾病的高性能预测模型,并确认所提出模型扩展的可能性。方法:在本研究中,选择了4种主要的慢性疾病,即糖尿病、高血压、高脂血症和心血管疾病,并建立了预测其在10年内发生的模型。在模型开发中,使用Atlas分析工具定义需要预测的慢性疾病,并根据定义的条件从CDM中提取数据。采用4种经过前人研究验证的算法建立每种疾病的预测模型,并通过网格搜索对其性能进行比较。结果:对于每种疾病的预测,我们应用了4种算法(逻辑回归、梯度增强、随机森林和极端梯度增强),所有模型的准确率都大于80%。与优化模型的性能相比,极端梯度增强对4种疾病(糖尿病、高血压、高脂血症和心血管疾病)的预测性能最高,在曲线标准下面积为0.84至0.93。结论:本研究通过使用CDM和机器学习预测慢性病的发生,证明了先发制人管理慢性病的可能性。有了这些模型,可以通过使用我们的慢性疾病预测机器学习模型来识别健康风险因素,从而证明10年内发生重大慢性疾病的风险。我们的慢性疾病预测机器学习模型是用个人可以轻松获得的基于现实世界数据的CDM和国民健康保险公司检查数据开发的。 2022 - 12 - 22 - t09:15:24凌晨 https://ai.www.mybigtv.com/2022/1/e37751/ 一个自动评估健康新闻质量的标准驱动系统的可视化解释:两种方法的探索性研究 2022 - 12 - 20 - t09:15:03凌晨 小雨刘 Hiba Alsghaier 凌统 Amna Ataullah 苏珊·麦克罗伊 机器学习技术已被证明在识别健康错误信息方面是有效的,但除非它们能以一种可以理解的方式被证明是合理的,否则结果可能不可信。目的:本研究旨在提供一个新的基于标准的体系来评估和证明健康新闻质量。本研究使用现有标准集的子集,比较了增加可解释性的两种替代方法的可行性。两种方法都使用分类和高亮来可视化句子级证据。方法:在10个已确立的标准中,总共选择了3个标准进行实验,即健康新闻是否讨论了干预的成本(成本标准),解释或量化干预的危害(危害标准),确定利益冲突(冲突标准)。实验的第一步是通过开发一个句子级分类器来自动评估这3个标准。我们测试了逻辑回归、朴素贝叶斯、支持向量机和随机森林算法。接下来,我们比较了这两种可视化方法。对于第一种方法,我们计算了单词特征权重,这解释了分类模型如何提取有助于预测的关键词;然后,利用局部可解释的模型不可知解释框架,在文献层面选择与分类标准相关的关键词; and finally, the system selected and highlighted sentences with keywords. For the second approach, we extracted sentences that provided evidence to support the evaluation result from 100 health news articles; based on these results, we trained a typology classification model at the sentence level; and then, the system highlighted a positive sentence instance for the result justification. The number of sentences to highlight was determined by a preset threshold empirically determined using the average accuracy. Results: The automatic evaluation of health news on the cost, harm, and conflict criteria achieved average area under the curve scores of 0.88, 0.76, and 0.73, respectively, after 50 repetitions of 10-fold cross-validation. We found that both approaches could successfully visualize the interpretation of the system but that the performance of the 2 approaches varied by criterion and highlighting the accuracy decreased as the number of highlighted sentences increased. When the threshold accuracy was ≥75%, this resulted in a visualization with a variable length ranging from 1 to 6 sentences. Conclusions: We provided 2 approaches to interpret criteria-based health news evaluation models tested on 3 criteria. This method incorporated rule-based and statistical machine learning approaches. The results suggested that one might visually interpret an automatic criterion-based health news quality evaluation successfully using either approach; however, larger differences may arise when multiple quality-related criteria are considered. This study can increase public trust in computerized health information evaluation. 2022 - 12 - 20 - t09:15:03凌晨
Baidu
map