Une approche cliniquement applicable à la prédiction continue de futures lésions rénales aiguës

[ad_1]

  • 1.

    Thomson, R., Luettel, D., Healey, F. et Scobie, S. Des soins plus sûrs pour les patients gravement malades: tirer les leçons des incidents graves (Agence nationale pour la sécurité des patients, 2007).

  • 2

    Henry, K. E., Hager, D. N., Pronovost, P. J. et Saria, S. Un score d'alerte précoce en temps réel ciblé (TREWscore) en cas de choc septique. Sci. Trad. Med. 7299ra122 (2015).

  • 3

    Rajkomar, A. et al. Apprentissage en profondeur évolutif et précis avec les dossiers de santé électroniques. npj Digit. Med. 118 (2018).

  • 4

    Koyner, J. L., Adhikari, R., Edelson, D. P. et Churpek, M. M. Développement d'un modèle de prédiction AKI basé sur des centres multicentriques. Clin. Confiture. Soc. Néphrol. 11, 1935-1943 (2016).

  • 5

    Cheng, P., Waitman, L. R., Hu, Y. & Liu, M. Prédire les lésions rénales aiguës chez les patients hospitalisés sur différents horizons temporels: quelle est la rapidité et la précision? Dans Actes du symposium annuel d'AMIA 565 (American Medical Informatics Association, 2017).

  • 6

    Koyner, J.L., Carey, K.A., Edelson, D.P. & Churpek, M.M. Développement d'un modèle de prédiction des lésions rénales aiguës à l'apprentissage automatique. Crit. Soins Med. 461070-1077 (2018).

  • 7.

    Komorowski, M., Celi, L.A., Badawi, O., Gordon, A.C. et Faisal, A.A. Le clinicien en intelligence artificielle apprend les stratégies de traitement optimales pour le sepsis en réanimation. Nat. Med. 241716-1720 (2018).

  • 8

    Avati, A. et al. Améliorer les soins palliatifs avec un apprentissage en profondeur. Dans Conférence internationale de l'IEEE sur la bioinformatique et la biomédecine (BIBM) 2017 311–316 (2017).

  • 9

    Lim, B. & van der Schaar, M. Disease-Atlas: suivre les trajectoires des maladies avec un apprentissage en profondeur. Proc. Mach. Apprendre. Res. 85137-160 (2018).

  • dix.

    Futoma, J., Hariharan, S. & Heller, K. A. Apprendre à détecter une sepsie avec un classifieur RNN à processus gaussiens multitâches. Dans Proc. Conférence internationale sur l'apprentissage automatique (eds Precup, D. & Teh, Y. W.) 1174–1182 (2017).

  • 11

    Miotto, R., Li, L., Kidd, B. A. et Dudley, J. T. Deep Patient: une représentation non supervisée permettant de prédire l'avenir des patients à partir des dossiers de santé électroniques. Sci. Représentant. 626094 (2016).

  • 12

    Lipton, Z. C., C. C. Kale, C. Elkan et R. Wetzel. Apprendre à diagnostiquer avec les réseaux de neurones récurrents LSTM. Pré-impression à (2016).

  • 13

    Cheng, Y. P. Z. J. H. & Wang, F. Prévision des risques avec les dossiers de santé électroniques: une approche d'apprentissage en profondeur. Dans Proc. Conférence internationale SIAM sur l'exploration de données (eds Venkatasubramanian, S.C. et Meria, W.) 432–440 (2016).

  • 14

    Soleimani, H., Subbaswamy, A. et Saria, S. Modèles de traitement-réponse pour le raisonnement contrefactuel avec des interventions à valeur continue. Dans Proc. 33ème conférence sur Incertitude dans l'intelligence artificielle (AUAI Press Corvallis, 2017).

  • 15

    Alaa, A. M., Yoon, J., Hu, S. et van der Schaar, M. Évaluation personnalisée du risque pour le pronostic des soins critiques à l'aide de mélanges d'experts en processus de Gauss. IEEE Trans. Biomed. Eng. 65207-218 (2018).

  • 16

    Perotte, A., Ranganath, R., Hirsch, J. S., Blei, D. et Elhadad, N. Prévision du risque de progression de l'insuffisance rénale chronique à l'aide de données de dossiers de santé électroniques hétérogènes et d'une analyse de séries chronologiques. Confiture. Med. Informer. Assoc. 22, 872 à 880 (2015).

  • 17

    Bihorac, A. et al. MySurgeryRisk: développement et validation d'un algorithme de risque d'apprentissage automatique en cas de complications majeures et de décès après une intervention chirurgicale. Ann. Surg. 269652–662 (2019).

  • 18

    Khwaja, A. KDIGO, guides de pratique clinique pour les lésions rénales aiguës. Nephron Clin. Pratique. 120, C179 – C184 (2012).

  • 19

    Stenhouse, C., S. Coates, M. Tivey, P. Allsop, T. et T. Évaluation prospective d'un score d'alerte précoce modifié pour aider à la détection précoce de patients développant une maladie grave dans un service de chirurgie générale. Le fr. J. Anaesth. 84663P (2000).

  • 20

    Alge, J. L. et Arthur, J. M. Biomarqueurs d'AKI: un examen de la pertinence mécanistique et des implications thérapeutiques potentielles. Clin. Confiture. Soc. Néphrol. dix147-155 (2015).

  • 21

    Wang, H. E., P. Muntner, Chertow, G. M. & Warnock, D. G. Atteinte rénale aiguë et mortalité chez les patients hospitalisés. Un m. J. Nephrol. 35, 349 à 355 (2012).

  • 22

    MacLeod, A. NCEPOD rapport sur une lésion rénale aiguë – doit faire mieux. Lancette 3741405-1406 (2009).

  • 23

    Lachance, P. et al. Association entre la mise en œuvre d'alerte électronique pour la détection des lésions rénales aiguës et les résultats: une revue systématique. Néphrol. Cadran. Une greffe. 32265–272 (2017).

  • 24

    Johnson, A. E. W. et al. Apprentissage automatique et aide à la décision en soins critiques. Proc. IEEE Inst. Electr. Electron Eng. 104444–466 (2016).

  • 25

    Mohamadlou, H. et al. Prévision des lésions rénales aiguës à l'aide d'un algorithme d'apprentissage automatique utilisant des données de dossiers de santé électroniques. Pouvez. J. maladie de santé rénale. 5, 1–9 (2018).

  • 26

    Pan, Z. et al. Une approche d'apprentissage en profondeur auto-corrigée permettant de prédire les affections aiguës dans les soins critiques. Pré-impression à (2019).

  • 27

    Park, S. et al. Impact des alertes électroniques sur les lésions rénales aiguës (AKI) lors de la consultation automatisée du néphrologue sur la détection et la gravité des AKI: une étude d'amélioration de la qualité. Un m. J. rein rein. 71, 9-19 (2018).

  • 28

    Chen, I., Johansson, F. D. et Sontag, D. Pourquoi mon classificateur est-il discriminatoire? Pré-impression à (2018).

  • 29

    Schulam, P. & Saria, S. Aide à la décision fiable utilisant des modèles contrefactuels. Dans Progrès des systèmes de traitement d'informations neuronaux 30 (eds Guyon, I. et al.) 1697–1708 (2017).

  • 30

    Telenti, A., Steinhubl, S. R. et Topol, E. J. Repenser le dossier médical. Lancette 3911013 (2018).

  • 31.

    Département des Anciens Combattants. Veterans Health Administration: fournir des soins de santé aux anciens combattants. (consulté le 9 novembre 2018).

  • 32

    Razavian, N. & Sontag, D. Réseaux de neurones à convolution temporelle pour le diagnostic à partir de tests de laboratoire. Dans 4ème Int. Conf. Apprendre. Représentations (2016).

  • 33

    Zadrozny, B. & Elkan, C. Transformer les scores du classificateur en estimations de probabilité multiclasses précises. Dans Proc. 8ème conférence internationale d'ACM SIGKDD sur la découverte de connaissances et l'exploration de données (eds, Zaïane, O. R. et al.) 694–699 (ACM, 2002).

  • 34

    Zilly, J. G., Srivastava, R. K., Koutník, J. & Schmidhuber, J. Réseaux routiers récurrents. Dans Proc. Conférence internationale sur l'apprentissage automatique (vol. 70) (eds Precup, D. & Teh, Y. W.) 4189–4198 (2017).

  • 35

    Hochreiter, S. & Schmidhuber, J. Longue mémoire à court terme. Neural Comput. 91735-1780 (1997).

  • 36

    Collins, J., Sohl-Dickstein, J. et Sussillo, D. Capacité et capacité d'entraînement dans des réseaux de neurones récurrents. Dans Conférence internationale sur les représentations d'apprentissage (eds Bengio, Y. et LeCun, Y.) (2017).

  • 37

    Bradbury, J., Merity, S., Xiong, C. et Socher, R. Réseaux neuronaux quasi récurrents. Dans Conférence internationale sur les représentations d'apprentissage (eds Bengio, Y. et LeCun, Y.) (2017).

  • 38

    Lei, T. & Zhang, Y. Former des RNN aussi rapidement que des CNN. Pré-impression à (2017).

  • 39

    Chung, J., Gulcehre, C., Cho, K. et Bengio, Y. Évaluation empirique de réseaux neuronaux contrôlés dépendants sur la modélisation de séquence. Pré-impression à (2014).

  • 40

    Graves, A., Wayne, G. & Danihelka, I. Machines neurales de Turing. Pré-impression à (2014).

  • 41

    Santoro, A., Bartunov, S., Botvinick, M., Wierstra, D. et Lillicrap, T. Meta-learning avec réseaux de neurones à mémoire augmentée. Dans Proc. Conférence internationale sur l'apprentissage automatique (eds Balcan, M.F. & Weinberger, K. Q.) 1842-1850 (2016).

  • 42

    Graves, A. et al. Informatique hybride utilisant un réseau de neurones avec mémoire externe dynamique. La nature 538471–476 (2016).

  • 43

    Santoro, A. et al. Réseaux de neurones récurrents relationnels. Dans Progrès des systèmes de traitement d'informations neuronaux 31 (eds Bengio, S. et al.) 7310–7321 (2018).

  • 44

    Caruana, R., Baluja, S. & Mitchell, T. à Progrès des systèmes de traitement de l'information neuronale (eds Mozer, M. et al.) 959–965 (1996).

  • 45

    Wiens, J., Guttag, J. & Horvitz, E. Stratification du risque de patient avec des paramètres variables dans le temps: une approche d'apprentissage multitâche. J. Mach. Apprendre. Res. 17, 1–23 (2016).

  • 46

    Ding, D. Y. et al. L'efficacité de l'apprentissage multitâche pour le phénotypage avec des données de dossiers de santé électroniques. Pré-impression à (2018).

  • 47

    Glorot, X. & Bengio, Y. Comprendre la difficulté de former des réseaux de neurones à anticipation profonde. Dans Conférence internationale sur l'intelligence artificielle et la statistique (vol. 9) (eds Tehand, Y. W. et Titterington, M.) 249–256 (2010).

  • 48.

    Kingma, D.P. et Ba, J. Adam: une méthode d’optimisation stochastique. Dans Conférence internationale sur les représentations d'apprentissage (eds Bengio, Y. et LeCun, Y.) (2015).

  • 49

    Guo, C., G. Pleiss, Y. Sun. & K. K. Weinberger, sur l'étalonnage des réseaux de neurones modernes. Dans Proc. Conférence internationale sur l'apprentissage automatique (eds Precup, D. & Teh, Y. W.) 1321–1330 (2017).

  • 50

    Platt, J. C. dans Avancées dans les classificateurs à grande marge (eds Smola, A. et al.) 61–74 (MIT Press, 1999).

  • 51.

    Brier, G. W. Vérification des prévisions exprimées en termes de probabilité. Lun. Weath. Tour. 78, 1-3. (1950).

  • 52

    Niculescu-Mizil, A. & Caruana, R. Prévoir de bonnes probabilités avec un apprentissage supervisé. Dans Proc. Conférence internationale sur l'apprentissage automatique (eds Raedt, L. D. & Wrobel, S.) 625–632 (ACM, 2005).

  • 53

    Saito, T. & Rehmsmeier, M. Le graphique de rappel de précision est plus informatif que le graphique ROC lors de l'évaluation de classificateurs binaires sur des jeux de données déséquilibrés. PLoS ONE dixe0118432 (2015).

  • 54

    Efron, B. & Tibshirani, R. J. Une introduction au bootstrap (CRC, 1994).

  • 55

    Mann, H. B. & Whitney, D. R. Testons si l'une des deux variables aléatoires est stochastiquement plus grande que l'autre. Ann. Math. Stat. 18, 50–60 (1947).

  • 56.

    Lakshminarayanan, B., Pritzel, A. et Blundell, C. Estimation simple et évolutive de l'incertitude prédictive à l'aide d'ensembles profonds. Dans Progrès des systèmes de traitement de l'information neuronale (eds Guyon, I. et al.) 6402–6413 (2017).

  • 57

    De Fauw, J. et al. Apprentissage approfondi cliniquement applicable pour le diagnostic et l'orientation en cas de maladie rétinienne. Nat. Med. 241342-1350 (2018).

  • 58

    Abadi, M. et al. Tensorflow: apprentissage automatique à grande échelle sur des systèmes distribués hétérogènes. Preprint à (2015).

  • [ad_2]