SafeImpute框架提高了临床数据插补的可靠性

研究人员开发了SafeImpute，一个旨在提高缺失临床数据插补可靠性的新框架。该方法使用图神经网络来捕捉患者轨迹和相似性，并通过自适应融合技术学习插补。SafeImpute还结合了共形p值和Benjamini-Hochberg程序，以控制插补值中不可接受错误的速率，确保高风险临床决策的统计可靠性。在Mayo Clinic、MIMIC-III和MIMIC-IV数据集上的实验表明，SafeImpute在提供强大插补精度的同时，能有效控制错误。 AI

影响 增强了AI驱动的插补在关键医疗保健应用中的可靠性，从而能够进行更值得信赖的下游临床决策。

排序理由 这是一篇详细介绍数据插补新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Benjamini--Hochberg procedure
• graph neural network
• Mayo Clinic
• MIMIC-III
• MIMIC-IV
• SafeImpute

• 论文
• 模型发布
• 安全

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →