论文写作笔记3:JAMIA-相关论文

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 综合B.

中科院分区: 医学1区计算机2区管理学2区top

搜索中的期刊文章仅直接链接到期刊站点的公共页面。对于仅限会员访问JAMIA或应用临床信息学杂志文章的全员访问

生物医学和健康信息学同行评审期刊.

包括方向: 临床护理，临床研究，转化科学，实施科学，成像，教育，消费者健康，公共卫生和政策等领域

Suzanne Bakken是主编，领导着一个由信息学领导者组成的团队

关键词

肝移植Liver Transplantation

术后并发症Postoperative complication forecast/ predicting

分类预测Classification forecast/ predicting

决策Decision-making

高维小样本High Dimension and Low Sample Size Data

迁移学习Transfer learning(都是CV/NLP)

机器学习machine learning

JAMIA的论文总量相对偏少, 其中还有一部分是自动化临床管理系统方面的, 但是剩下的目前粗略看下来感觉和我们项目相关度更高些, 用机器学习方法的, 和任务是预测并发症的比较多.

在找到的论文中看作者专业, JAMIA偏医学多一些.

肝移植Liver Transplantation

其他无关论文均为应用方向:

(JAMIA)使用自动化临床管理系统的效果

(JAMIA)实施计算机警报后效果

(JAMIA) 输入动态电子健康记录HER的系统开发

(ACI)调查问卷定性分析使用CDS(计算机化临床决策支持)可能性与阻碍

	论文主题	论文发表时间	作者背景	被引	备注
1	基于机器学习, 预测移植术后1、3和5年的住院情况 Machine learning–based prediction of health outcomes in pediatric organ transplantation recipients	2021.5	信息(通讯医学)	0	勘误之后效果很拉. 但是缺失值填充等方法可以借鉴
2	一种基于可能性的卷积方法，用于估计纵向健康记录数据中的主要健康事件：外部验证研究 A likelihood-based convolution approach to estimate major health events in longitudinal health records data: an external validation study	2021.9	统计(通讯医学)	0	付费下载

1.基于机器学习的儿科器官移植受者健康结果预测

论文主题

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

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

论文doi

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

发表时间:2021.5

作者背景:信息(通讯 医学)

被引量:0

期刊:(JAMIA Open)

勘误

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

修正DL得到的ROC 0.85->0.59

目标

预测移植术后1、3和5年的住院情况

输入

输出

方法

Logistic回归、朴素贝叶斯、支持向量机和深度学习(DL)方法

使用Shapley加性解释(Shap)来增加DL模型结果的可解释性。

确定各种器官类型的显著预测因子(salient predictors across organ types), 其中包括各种医学、患者和社会特征(Various medical, patient, and social variables)

数据

样本来自大型儿科器官移植中心的儿童肾、肝和心脏移植受者

结果

主要贡献

不足可改进

备注

对更正表示钦佩

效果很拉, 但是缺失值填充等方法可以借鉴

缺失值填充: 随机森林插补（missforest）

Python包使用说明:

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

摘要

目标

预测移植后健康结果

关键影响因素的识别

目前研究通常依赖于普通线性模型之类的技术提供有限的预测效果; 数据驱动的模型和机器学习 (ML) 方法在儿科移植结果研究中的应用和成功有限。

当前研究的目的: 检验(examine) ML 模型预测患者住院情况的效果

样本来自大型实体器官移植计划的儿童肾、肝和心脏移植受者

材料和方法

Logistic回归、朴素贝叶斯、支持向量机和深度学习(DL)方法

使用来自一家大型儿科器官移植中心的患者和管理数据

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

预测移植后1、3和5年的住院情况

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

结果

DL模型相比传统的ML模型, 在各种器官类型和预测时间窗(organ types and prediction windows)上都没提升

ROC曲线下面积(area under the receiver operating characteristic curve)取值范围为0.5~0.593。使用Shapley加性解释(Shap)来增加DL模型结果的可解释性。

确定各种器官类型的显著预测因子(salient predictors across organ types), 其中包括各种医学、患者和社会特征(Various medical, patient, and social variables)

讨论&结论

DL模型预测术后风险效果很拉, 如果有大量样本说不定会好点.

2. 一种基于可能性的卷积方法，用于估计纵向健康记录数据中的主要健康事件：外部验证研究

论文主题

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

论文doi

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

论文发表时间/作者背景

2021.9 统计(通讯医学)

不看引用量了, 这新发的基本没什么引用

被引量0

目标

基于相关事件时间戳估计缺失事件时间戳

估算患者需要进行肝移植的日期

输入

输出

方法

基于卷积的变化检测

数据

验证数据: 来自国家确定的临床索赔OptomLabs数据库的数据

测试数据: 来自M Health Fairview系统的单中心(single center)数据集

结果

整个时间段估计的真实日期与估计日期之间的中位误差(median error)为零天，

移植的中位误差分别为92%(训练集)和84%(测试集)

主要贡献

不足可改进

备注

逻辑给人感觉还不错(有说服力)

摘要

目的

在电子健康记录数据中，由重大生理或治疗变化定义的重大健康事件的确切时间戳通常缺失

基于相关数据元素时间戳估计健康事件时间戳

材料和方法

基于卷积的变化检测方法

验证数据: 来自国家确定的临床索赔OptomLabs数据库的数据

测试数据: 来自M Health Fairview系统的单中心(single center)数据集

结果

估算患者需要进行肝移植的日期

整个时间段估计的真实日期与估计日期之间的中位误差(median error)为零天，

移植的中位误差分别为92%(训练集)和84%(测试集)

讨论

估计时间戳效果好

外部验证也效果好, 用在其他数据不足的系统应该也好用

此次用的是肝移植，但是其他有准确时间戳的多个相关事件预测事件应该也好用

结论

可以利用相关事件的时间戳来估计缺失的时间戳

由于该模型是在具有全国代表性的数据集上开发的，因此可以成功地迁移到当地卫生系统，而不会造成严重的准确性损失

并发症预测complication predicting

	论文主题	论文发表时间	作者背景	被引	备注
1	机器学习算法预测糖尿病的并发症 Predicting complications of diabetes mellitus using advanced machine learning algorithms	2020.9	数据分析和生物医学信息学中心	7
2	SVM预测PCI并发症 Predicting complications of percutaneous coronary intervention using a novel support vector method	2013.4	医学(通讯计算机)	3
3	机器学习方法预测压力损伤(一种并发症) Predicting pressure injury using nursing assessment phenotypes and machine learning methods	2021.2	医学	2	付费下载
4	预测门诊手术患者的术后恶心和呕吐 An improved model for predicting postoperative nausea and vomiting in ambulatory surgery patients using physician-modifiable risk factors	2012.11	医学	23	太偏医学了

1. 机器学习算法预测糖尿病的并发症

论文主题

Predicting complications of diabetes mellitus using advanced machine learning algorithms

论文doi

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

论文发表时间&作者背景

2020.9   数据分析和生物医学信息学中心

被引量7

目标

预测2型糖尿病(DM2)患者是否会发生10种选定的并发症

输入

输出

方法

预测2型糖尿病（DM2）患者是否会出现10种选定的并发症

RNN, 长短期记忆（LSTM）和RNN门控递归单元（GRU）深度学习方法，并与随机森林和多层感知器传统模型进行了比较

数据

2003年至2011年期间在加利福尼亚州医疗成本和利用项目州住院患者数据库

结果

主要贡献

不足可改进

备注

摘要

目的

预测2型糖尿病(DM2)患者是否会发生10种选定的并发症

材料和方法

2003年至2011年期间在加利福尼亚州医疗成本和利用项目州住院患者数据库

使用递归神经网络(RNN)、长短期记忆(LSTM)和RNN门控递归单元(GRU)深度学习方法，并与随机森林和多层感知器传统模型进行了比较

给定糖尿病诊断和并发症诊断之间对应最小住院次数(3种最小次数分别训练看准确性)，比较所选并发症的预测准确性。

结果

(The diagnosis domain was used for experiments在实验中使用了诊断?)

RNN GRU模型效果最好，准确率在73%(心肌梗死)到83%(慢性缺血性心脏病)

传统模型的准确率在66%到76%之间

讨论

住院次数是影响预测准确性的重要因素。4次住院试验的准确性明显高于2次住院试验

为了达到更高的准确性，深度学习模型需要对至少1000名患者进行训练，如果训练数据集只有500名患者，准确率会显着下降

并发症的预测准确率随着时间的推移而下降

抑郁障碍和慢性缺血性心脏病的诊断准确率最高。

结论

RNN GRU最好

2.SVM预测PCI并发症

论文主题

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

论文doi

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

论文发表时间&作者背景

2013.4   医学(通讯计算机)

被引量3

目标

预测实验13种不同的PCI并发症

输入

输出

方法

逻辑回归 （LR）、单类支持向量机分类 （OC-SVM） 和两类支持向量机分类 （TC-SVM）。对于OP-SVM和TC-SVM方法，还考虑了具有成本敏感权重的算法变体。

数据

(BMC2)多中心注册中心2007年和2008年的数据(n=41016)

对比其他分类器训练时使用BMC2 data from 2009 (n=20 289)

结果

主要贡献

不足可改进

备注

摘要

目的

基于增强型单类学习算法

预测冠状动脉介入治疗(PCI) in-laboratory并发症

材料与方法

使用密歇根心血管联盟蓝十字蓝盾(BMC2)多中心注册中心2007年和2008年的数据(n=41016)，

一加类(one-plus-class)向量机(OP-SVM)算法训练模型

预测实验13种不同的PCI并发症

对比分类器(训练时使用BMC2 data from 2009 (n=20 289)): Logistic回归(LR)、一类支持向量机分类(OC-SVM)和两类支持向量机分类(TC-SVM)。对于OP-SVM和TC-SVM方法，还考虑了具有代价敏感权重的算法的变体

结果

对于所研究的大多数PCI并发症(8例)，OP-SVM算法及其成本敏感变体的ROC曲线下面积最高

Hosmer-Lemeshow的χ2值(7例)和平均交叉熵误差(8例)也有类似的改善。

结论

OP-SVM算法相对于LR和传统的支持向量机分类提高了对不同PCI并发症的识别率和校正能力

3. 机器学习方法预测压力损伤(一种并发症)

论文主题

Predicting pressure injury using nursing assessment phenotypes and machine learning methods

论文doi

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

论文发表时间&作者背景

2021.2   医学

被引量 2

目标

预测并发症(压力性损伤)

两种压力损伤表型：非医院获得性压力损伤(N=4398)和医院获得性压力损伤(N=1767)

输入

28个临床特征

输出

方法

各种机器学习预测模型

随机森林模型表现最好

五折交叉验证

数据

电子病历数据

结果

主要贡献

不足可改进

备注

摘要

目的

预测并发症(压力性损伤)

基于机器学习，使用来自护士输入的直接患者评估数据的表型(phenotypes)

方法

电子病历数据，包括护士输入的完整评估记录

基于机器学习的压力性损伤预测模型

五折交叉验证来评价模型的性能

结果

定义了两种压力损伤表型：非医院获得性压力损伤(N=4398)和医院获得性压力损伤(N=1767)，代表了两种截然不同的临床情景

总共提取了28个临床特征，并建立了两种压力损伤表型的多机器学习预测模型。

随机森林模型表现最好，在2个测试集中分别达到0.92和0.94的AUC。

格拉斯哥昏迷量表是两组患者最重要的特征(一种意识水平测量方法)

4. 预测门诊手术患者的术后恶心和呕吐

论文主题

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

论文doi

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

论文发表时间&作者背景

2012.11  医学

被引量 23

目标

使用16个患者相关、手术和麻醉预测因子来开发逻辑回归模型

输入

16个与患者相关的、手术的和麻醉的预测因子

输出

方法

Logistic回归模型

实验模型(EM)与原始Apfel模型(OAM)、修正的Apfel模型(RAM)、简化的Apfel风险评分(SARS)和修正的辛克莱模型(RSM)进行比较

数据

2505例门诊手术病例资料

结果

主要贡献

不足可改进

备注

太偏医学了

摘要

目的

术后恶心呕吐(PONV)是门诊手术患者常见的并发症

结合不可修改(non-modifiable)的患者特征和可修改(modifiable)的从业者特定的麻醉实践来预测患者患PONV的风险

材料与方法

2505例门诊手术病例资料

16个与患者相关的、手术的和麻醉的预测因子被用来建立Logistic回归模型

experimental model (EM)与原始Apfel模型(OAM)、修正的Apfel模型(RAM)、简化的Apfel风险评分(SARS)和修正的辛克莱模型(RSM)进行比较，检验用曲线下面积(AUC)

结果

EM包含11个输入变量。EM的AUC为0.738，OAM为0.620，RAM为0.629，SARS为0.626，RSM为0.711。

EM与所有其他模型、OAM与RSM、RAM与RSM、SARS与RSM之间的AUC差异均有统计学意义(P<0.05)

讨论

只有OAM效果很拉, 其他都还行

结论

EM效果好