JAMIA

Journal of the American Medical Informatics Association

https://amia.org/news-publications/journals/jamia

https://academic.oup.com/jamiaopen?login=true

JCR Q1/Q2; CCF 綜合B.

中科院分區: 醫學1區計算機2區管理學2區top

搜索中的期刊文章僅直接鏈接到期刊站點的公共頁面。對于僅限會員訪問JAMIA或應用臨床信息學雜志文章的全員訪問

生物醫學和健康信息學同行評審期刊.

包括方向: 臨床護理，臨床研究，轉化科學，實施科學，成像，教育，消費者健康，公共衛生和政策等領域

Suzanne Bakken是主編，領導著一個由信息學領導者組成的團隊

關鍵詞

肝移植Liver Transplantation

術后并發癥Postoperative complication forecast/ predicting

分類預測Classification forecast/ predicting

決策Decision-making

高維小樣本High Dimension and Low Sample Size Data

遷移學習Transfer learning(都是CV/NLP)

機器學習machine learning

JAMIA的論文總量相對偏少, 其中還有一部分是自動化臨床管理系統方面的, 但是剩下的目前粗略看下來感覺和我們項目相關度更高些, 用機器學習方法的, 和任務是預測并發癥的比較多.

在找到的論文中看作者專業, JAMIA偏醫學多一些.

肝移植Liver Transplantation

其他無關論文均為應用方向:

(JAMIA)使用自動化臨床管理系統的效果

(JAMIA)實施計算機警報后效果

(JAMIA) 輸入動態電子健康記錄HER的系統開發

(ACI)調查問卷定性分析使用CDS(計算機化臨床決策支持)可能性與阻礙

	論文主題	論文發表時間	作者背景	被引	備注
1	基于機器學習, 預測移植術后1、3和5年的住院情況 Machine learning–based prediction of health outcomes in pediatric organ transplantation recipients	2021.5	信息(通訊醫學)	0	勘誤之后效果很拉. 但是缺失值填充等方法可以借鑒
2	一種基于可能性的卷積方法，用于估計縱向健康記錄數據中的主要健康事件：外部驗證研究 A likelihood-based convolution approach to estimate major health events in longitudinal health records data: an external validation study	2021.9	統計(通訊醫學)	0	付費下載

1.基于機器學習的兒科器官移植受者健康結果預測

論文主題

Machine learning–based prediction of health outcomes in pediatric organ transplantation recipients

https://academic.oup.com/jamiaopen/article/4/1/ooab008/6168494

論文doi

https://doi.org/10.1093/jamiaopen/ooab008

發表時間:2021.5

作者背景:信息(通訊 醫學)

被引量:0

期刊:(JAMIA Open)

勘誤

https://doi.org/10.1093/jamiaopen/ooab034

修正DL得到的ROC 0.85->0.59

目標

預測移植術后1、3和5年的住院情況

輸入

輸出

方法

Logistic回歸、樸素貝葉斯、支持向量機和深度學習(DL)方法

使用Shapley加性解釋(Shap)來增加DL模型結果的可解釋性。

確定各種器官類型的顯著預測因子(salient predictors across organ types), 其中包括各種醫學、患者和社會特征(Various medical, patient, and social variables)

數據

樣本來自大型兒科器官移植中心的兒童腎、肝和心臟移植受者

結果

主要貢獻

不足可改進

備注

對更正表示欽佩

效果很拉, 但是缺失值填充等方法可以借鑒

缺失值填充: 隨機森林插補（missforest）

Python包使用說明:

https://www.cnpython.com/pypi/missing

摘要

目標

預測移植后健康結果

關鍵影響因素的識別

目前研究通常依賴于普通線性模型之類的技術提供有限的預測效果; 數據驅動的模型和機器學習 (ML) 方法在兒科移植結果研究中的應用和成功有限。

當前研究的目的: 檢驗(examine) ML 模型預測患者住院情況的效果

樣本來自大型實體器官移植計劃的兒童腎、肝和心臟移植受者

材料和方法

Logistic回歸、樸素貝葉斯、支持向量機和深度學習(DL)方法

使用來自一家大型兒科器官移植中心的患者和管理數據

using patient and administrative data from a large pediatric organ transplant center.

預測移植后1、3和5年的住院情況

predict 1-, 3-, and 5-year post-transplant hospitalization

結果

DL模型相比傳統的ML模型, 在各種器官類型和預測時間窗(organ types and prediction windows)上都沒提升

ROC曲線下面積(area under the receiver operating characteristic curve)取值范圍為0.5~0.593。使用Shapley加性解釋(Shap)來增加DL模型結果的可解釋性。

確定各種器官類型的顯著預測因子(salient predictors across organ types), 其中包括各種醫學、患者和社會特征(Various medical, patient, and social variables)

討論&結論

DL模型預測術后風險效果很拉, 如果有大量樣本說不定會好點.

2. 一種基于可能性的卷積方法，用于估計縱向健康記錄數據中的主要健康事件：外部驗證研究

論文主題

A likelihood-based convolution approach to estimate major health events in longitudinal health records data: an external validation study

論文doi

https://doi.org/10.1093/jamia/ocab087

論文發表時間/作者背景

2021.9 統計(通訊醫學)

不看引用量了, 這新發的基本沒什么引用

被引量0

目標

基于相關事件時間戳估計缺失事件時間戳

估算患者需要進行肝移植的日期

輸入

輸出

方法

基于卷積的變化檢測

數據

驗證數據: 來自國家確定的臨床索賠OptomLabs數據庫的數據

測試數據: 來自M Health Fairview系統的單中心(single center)數據集

結果

整個時間段估計的真實日期與估計日期之間的中位誤差(median error)為零天，

移植的中位誤差分別為92%(訓練集)和84%(測試集)

主要貢獻

不足可改進

備注

邏輯給人感覺還不錯(有說服力)

摘要

目的

在電子健康記錄數據中，由重大生理或治療變化定義的重大健康事件的確切時間戳通常缺失

基于相關數據元素時間戳估計健康事件時間戳

材料和方法

基于卷積的變化檢測方法

驗證數據: 來自國家確定的臨床索賠OptomLabs數據庫的數據

測試數據: 來自M Health Fairview系統的單中心(single center)數據集

結果

估算患者需要進行肝移植的日期

整個時間段估計的真實日期與估計日期之間的中位誤差(median error)為零天，

移植的中位誤差分別為92%(訓練集)和84%(測試集)

討論

估計時間戳效果好

外部驗證也效果好, 用在其他數據不足的系統應該也好用

此次用的是肝移植，但是其他有準確時間戳的多個相關事件預測事件應該也好用

結論

可以利用相關事件的時間戳來估計缺失的時間戳

由于該模型是在具有全國代表性的數據集上開發的，因此可以成功地遷移到當地衛生系統，而不會造成嚴重的準確性損失

并發癥預測complication predicting

	論文主題	論文發表時間	作者背景	被引	備注
1	機器學習算法預測糖尿病的并發癥 Predicting complications of diabetes mellitus using advanced machine learning algorithms	2020.9	數據分析和生物醫學信息學中心	7
2	SVM預測PCI并發癥 Predicting complications of percutaneous coronary intervention using a novel support vector method	2013.4	醫學(通訊計算機)	3
3	機器學習方法預測壓力損傷(一種并發癥) Predicting pressure injury using nursing assessment phenotypes and machine learning methods	2021.2	醫學	2	付費下載
4	預測門診手術患者的術后惡心和嘔吐 An improved model for predicting postoperative nausea and vomiting in ambulatory surgery patients using physician-modifiable risk factors	2012.11	醫學	23	太偏醫學了

1. 機器學習算法預測糖尿病的并發癥

論文主題

Predicting complications of diabetes mellitus using advanced machine learning algorithms

論文doi

https://doi.org/10.1093/jamia/ocaa120

論文發表時間&作者背景

2020.9?? 數據分析和生物醫學信息學中心

被引量7

目標

預測2型糖尿病(DM2)患者是否會發生10種選定的并發癥

輸入

輸出

方法

預測2型糖尿病（DM2）患者是否會出現10種選定的并發癥

RNN, 長短期記憶（LSTM）和RNN門控遞歸單元（GRU）深度學習方法，并與隨機森林和多層感知器傳統模型進行了比較

數據

2003年至2011年期間在加利福尼亞州醫療成本和利用項目州住院患者數據庫

結果

主要貢獻

不足可改進

備注

摘要

目的

預測2型糖尿病(DM2)患者是否會發生10種選定的并發癥

材料和方法

2003年至2011年期間在加利福尼亞州醫療成本和利用項目州住院患者數據庫

使用遞歸神經網絡(RNN)、長短期記憶(LSTM)和RNN門控遞歸單元(GRU)深度學習方法，并與隨機森林和多層感知器傳統模型進行了比較

給定糖尿病診斷和并發癥診斷之間對應最小住院次數(3種最小次數分別訓練看準確性)，比較所選并發癥的預測準確性。

結果

(The diagnosis domain was used for experiments在實驗中使用了診斷?)

RNN GRU模型效果最好，準確率在73%(心肌梗死)到83%(慢性缺血性心臟病)

傳統模型的準確率在66%到76%之間

討論

住院次數是影響預測準確性的重要因素。4次住院試驗的準確性明顯高于2次住院試驗

為了達到更高的準確性，深度學習模型需要對至少1000名患者進行訓練，如果訓練數據集只有500名患者，準確率會顯著下降

并發癥的預測準確率隨著時間的推移而下降

抑郁障礙和慢性缺血性心臟病的診斷準確率最高。

結論

RNN GRU最好

2.SVM預測PCI并發癥

論文主題

Predicting complications of percutaneous coronary intervention using a novel support vector method

論文doi

https://academic.oup.com/jamia/article/20/4/778/820344

論文發表時間&作者背景

2013.4?? 醫學(通訊計算機)

被引量3

目標

預測實驗13種不同的PCI并發癥

輸入

輸出

方法

邏輯回歸 （LR）、單類支持向量機分類 （OC-SVM） 和兩類支持向量機分類 （TC-SVM）。對于OP-SVM和TC-SVM方法，還考慮了具有成本敏感權重的算法變體。

數據

(BMC2)多中心注冊中心2007年和2008年的數據(n=41016)

對比其他分類器訓練時使用BMC2 data from 2009 (n=20 289)

結果

主要貢獻

不足可改進

備注

摘要

目的

基于增強型單類學習算法

預測冠狀動脈介入治療(PCI) in-laboratory并發癥

材料與方法

使用密歇根心血管聯盟藍十字藍盾(BMC2)多中心注冊中心2007年和2008年的數據(n=41016)，

一加類(one-plus-class)向量機(OP-SVM)算法訓練模型

預測實驗13種不同的PCI并發癥

對比分類器(訓練時使用BMC2 data from 2009 (n=20 289)): Logistic回歸(LR)、一類支持向量機分類(OC-SVM)和兩類支持向量機分類(TC-SVM)。對于OP-SVM和TC-SVM方法，還考慮了具有代價敏感權重的算法的變體

結果

對于所研究的大多數PCI并發癥(8例)，OP-SVM算法及其成本敏感變體的ROC曲線下面積最高

Hosmer-Lemeshow的χ2值(7例)和平均交叉熵誤差(8例)也有類似的改善。

結論

OP-SVM算法相對于LR和傳統的支持向量機分類提高了對不同PCI并發癥的識別率和校正能力

3. 機器學習方法預測壓力損傷(一種并發癥)

論文主題

Predicting pressure injury using nursing assessment phenotypes and machine learning methods

論文doi

https://doi.org/10.1093/jamia/ocaa336

論文發表時間&作者背景

2021.2?? 醫學

被引量 2

目標

預測并發癥(壓力性損傷)

兩種壓力損傷表型：非醫院獲得性壓力損傷(N=4398)和醫院獲得性壓力損傷(N=1767)

輸入

28個臨床特征

輸出

方法

各種機器學習預測模型

隨機森林模型表現最好

五折交叉驗證

數據

電子病歷數據

結果

主要貢獻

不足可改進

備注

摘要

目的

預測并發癥(壓力性損傷)

基于機器學習，使用來自護士輸入的直接患者評估數據的表型(phenotypes)

方法

電子病歷數據，包括護士輸入的完整評估記錄

基于機器學習的壓力性損傷預測模型

五折交叉驗證來評價模型的性能

結果

定義了兩種壓力損傷表型：非醫院獲得性壓力損傷(N=4398)和醫院獲得性壓力損傷(N=1767)，代表了兩種截然不同的臨床情景

總共提取了28個臨床特征，并建立了兩種壓力損傷表型的多機器學習預測模型。

隨機森林模型表現最好，在2個測試集中分別達到0.92和0.94的AUC。

格拉斯哥昏迷量表是兩組患者最重要的特征(一種意識水平測量方法)

4. 預測門診手術患者的術后惡心和嘔吐

論文主題

An improved model for predicting postoperative nausea and vomiting in ambulatory surgery patients using physician-modifiable risk factors

論文doi

https://academic.oup.com/jamia/article/19/6/995/730069

論文發表時間&作者背景

2012.11? 醫學

被引量 23

目標

使用16個患者相關、手術和麻醉預測因子來開發邏輯回歸模型

輸入

16個與患者相關的、手術的和麻醉的預測因子

輸出

方法

Logistic回歸模型

實驗模型(EM)與原始Apfel模型(OAM)、修正的Apfel模型(RAM)、簡化的Apfel風險評分(SARS)和修正的辛克萊模型(RSM)進行比較

數據

2505例門診手術病例資料

結果

主要貢獻

不足可改進

備注

太偏醫學了

摘要

目的

術后惡心嘔吐(PONV)是門診手術患者常見的并發癥

結合不可修改(non-modifiable)的患者特征和可修改(modifiable)的從業者特定的麻醉實踐來預測患者患PONV的風險

材料與方法

2505例門診手術病例資料

16個與患者相關的、手術的和麻醉的預測因子被用來建立Logistic回歸模型

experimental model (EM)與原始Apfel模型(OAM)、修正的Apfel模型(RAM)、簡化的Apfel風險評分(SARS)和修正的辛克萊模型(RSM)進行比較，檢驗用曲線下面積(AUC)

結果

EM包含11個輸入變量。EM的AUC為0.738，OAM為0.620，RAM為0.629，SARS為0.626，RSM為0.711。

EM與所有其他模型、OAM與RSM、RAM與RSM、SARS與RSM之間的AUC差異均有統計學意義(P<0.05)

討論

只有OAM效果很拉, 其他都還行

結論

EM效果好

總結

以上是生活随笔為你收集整理的论文写作笔记3:JAMIA-相关论文的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。