دانلود مقاله انگلیسی رایگان:وشه بندی بیمار باعث افزایش کارآیی یادگیری ماشین فدرال برای پیش بینی مرگ و میر و مدت زمان ماندن بیمارستان با استفاده از سوابق پزشکی الکترونیکی توزیع شده - 2019
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی یادگیری ماشین رایگان
  • Patient Clustering Improves Efficiency of Federated Machine Learning to Predict Mortality and Hospital Stay Time Using Distributed Electronic Medical Records Patient Clustering Improves Efficiency of Federated Machine Learning to Predict Mortality and Hospital Stay Time Using Distributed Electronic Medical Records
    Patient Clustering Improves Efficiency of Federated Machine Learning to Predict Mortality and Hospital Stay Time Using Distributed Electronic Medical Records

    سال انتشار:

    2019


    عنوان انگلیسی مقاله:

    Patient Clustering Improves Efficiency of Federated Machine Learning to Predict Mortality and Hospital Stay Time Using Distributed Electronic Medical Records


    ترجمه فارسی عنوان مقاله:

    وشه بندی بیمار باعث افزایش کارآیی یادگیری ماشین فدرال برای پیش بینی مرگ و میر و مدت زمان ماندن بیمارستان با استفاده از سوابق پزشکی الکترونیکی توزیع شده


    منبع:

    Sciencedirect - Elsevier - Journal of Biomedical Informatics, Journal Pre-proof, 103291: doi:10:1016/j:jbi:2019:103291


    نویسنده:

    Li Huang, Andrew L. Shea, Huining Qian, Aditya Masurkar, Hao Deng, Dianbo Liu


    چکیده انگلیسی:

    Electronic medical records (EMRs) support the development of machine learning algorithms for predicting disease incidence, patient response to treatment, and other healthcare events. But so far most algorithms have been centralized, taking little account of the decentralized, non-identically independently distributed (non-IID), and privacy-sensitive characteristics of EMRs that can complicate data collection, sharing and learning. To address this challenge, we introduced a community-based federated machine learning (CBFL) algorithm and evaluated it on non-IID ICU EMRs. Our algorithm clustered the distributed data into clinically meaningful communities that captured similar diagnoses and geographical locations, and learnt one model for each community. Throughout the learning process, the data was kept local at hospitals, while locally-computed results were aggregated on a server. Evaluation results show that CBFL outperformed the baseline federated machine learning (FL) algorithm in terms of Area Under the Receiver Operating Characteristic Curve (ROC AUC), Area Under the Precision-Recall Curve (PR AUC), and communication cost between hospitals and the server. Furthermore, communities’ performance difference could be explained by how dissimilar one community was to others.
    Keywords: distributed clustering | autoencoder | federated machine learning | non-IID | critical care


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 41
    حجم فایل: 1855 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