机器学习用于医学,以支持医生在检查,诊断和预测结果中。其中一个最具动态的区域是从密集护理单位使用患者产生的健康数据。本文的目的是展示我们如何通过病人的人口统计数据与他们的生理数据相结合推进交叉患者ML模型开发。我们使用患有颈动脉内切除术(CEA)的患者患者,在那里我们在一次患者和一名患者培训时研究了模型性能和解释性的差异。结果表明,患者的人口统计学对性能和解释性具有很大影响,从而可靠。我们的结论是,我们可以增加信任ML车型在交叉患者背景下,基于其人口模型和患者仔细选择和手术过程。
translated by 谷歌翻译