دانلود مقاله انگلیسی رایگان:استفاده از دانش تخصصی ضمنی برای یادگیری ماشین غیر دایره ای در پیش بینی سپسیس - 2019
دانلود بهترین مقالات isi همراه با ترجمه فارسی
دانلود مقاله انگلیسی یادگیری ماشین رایگان
  • Leveraging implicit expert knowledge for non-circular machine learning in sepsis prediction Leveraging implicit expert knowledge for non-circular machine learning in sepsis prediction
    Leveraging implicit expert knowledge for non-circular machine learning in sepsis prediction

    سال انتشار:

    2019


    عنوان انگلیسی مقاله:

    Leveraging implicit expert knowledge for non-circular machine learning in sepsis prediction


    ترجمه فارسی عنوان مقاله:

    استفاده از دانش تخصصی ضمنی برای یادگیری ماشین غیر دایره ای در پیش بینی سپسیس


    منبع:

    Sciencedirect - Elsevier - Artificial Intelligence In Medicine, 100 (2019) 101725: doi:10:1016/j:artmed:2019:101725


    نویسنده:

    Shigehiko Schamonia,d, Holger A. Lindnerb, Verena Schneider-Lindnerb,c, Manfred Thielb, Stefan Riezler


    چکیده انگلیسی:

    Sepsis is the leading cause of death in non-coronary intensive care units. Moreover, a delay of antibiotic treatment of patients with severe sepsis by only few hours is associated with increased mortality. This insight makes accurate models for early prediction of sepsis a key task in machine learning for healthcare. Previous approaches have achieved high AUROC by learning from electronic health records where sepsis labels were defined automatically following established clinical criteria. We argue that the practice of incorporating the clinical criteria that are used to automatically define ground truth sepsis labels as features of severity scoring models is inherently circular and compromises the validity of the proposed approaches. We propose to create an independent ground truth for sepsis research by exploiting implicit knowledge of clinical practitioners via an electronic questionnaire which records attending physicians’ daily judgements of patients’ sepsis status. We show that despite its small size, our dataset allows to achieve state-of-the-art AUROC scores. An inspection of learned weights for standardized features of the linear model lets us infer potentially surprising feature contributions and allows to interpret seemingly counterintuitive findings.
    Keywords: Machine learning in health care | Sepsis prediction


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 9
    حجم فایل: 1897 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی