PulseAugur
中
实时 09:23:01
English(EN) xMICD: Explainable Representation of Multiple ICD Codes

新的xMICD方法增强了患者诊断表示的可解释性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了xMICD，一种用于从国际疾病分类（ICD）代码创建可解释的低维患者诊断表示的新方法。该方法通过将诊断分组与预训练ICD嵌入空间中的相似性相结合，平衡了预测性能和临床可解释性。实验表明，xMICD在临床预测任务上达到了与ICD2Vec等现有基于嵌入的方法相当的预测准确性，同时保持了与可识别诊断组相关的特征可解释性。 AI

影响 该方法可以提高医疗保健领域机器学习模型的可解释性，从而促进更好的临床决策。

排序理由 该集群包含一篇详细介绍新的医学数据表示方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

新的xMICD方法增强了患者诊断表示的可解释性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Pat Vatiwutipong, Kumkup Keeratisiwakul, Albert Phuoc Kien Van Truong, Nutcha Yodrabum, Wasin Pansiritanachot, Marvin N. Wright, Thanapon Noraset ·

    xMICD: Explainable Representation of Multiple ICD Codes

    arXiv:2608.00935v1 Announce Type: new Abstract: Electronic Health Records (EHRs) are widely used for clinical risk prediction using machine learning. International Classification of Diseases (ICD) codes provide structured information about patient diagnoses, but representing them…

相关实体

相关话题