All Of Us Research Program
PulseAugur coverage of All Of Us Research Program — every cluster mentioning All Of Us Research Program across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新工具包审计临床人工智能模型中的交叉公平性
一篇新研究论文介绍了一个名为 FairLogue 的工具包，该工具包旨在审计临床机器学习模型中的交叉公平性。该研究使用 All of Us 数据集将 FairLogue 应用于两个现有模型，评估了跨组合人口群体（种族、性别及其交叉群体）的差异。虽然交叉分析显示出的差异比单轴评估更大，但反事实诊断表明，这些差异与随机群体成员身份大致相当，这凸显了交叉审计对于更深入的偏见洞察的必要性。
-
新的集成深度聚类方法改进了电子健康记录患者分层
研究人员开发了一种基于集成的深度聚类方法，以利用电子健康记录（EHRs）改进患者分层。这种新方法整合了来自多个嵌入维度的聚类分配，其表现优于K-means和单一深度学习方法等传统方法。该研究利用了All of Us Research Program的EHR数据，强调了结合传统和深度聚类技术的好处，特别是在表格EHR数据和按性别进行的分析中。
-
新方法估算选择偏差对医疗AI模型的影响
研究人员开发了一种新方法，用于估算选择偏差对机器学习模型的潜在影响，特别是在医疗保健环境中。该方法为处理部分观察到的目标人群和选择机制时的最坏情况模型性能提供了实际的上限。该方法使用合成数据、来自All of Us Research Program的数据以及来自MIMIC-IV的真实世界数据进行了验证，为提高模型的可推广性和安全性提供了一个工具。
-
强化学习优化体力活动以改善健康生物标志物
研究人员开发了一种新颖的离线强化学习算法，用于创建个性化的体力活动建议。该算法分析了“All of Us”研究项目中的步数数据和健康生物标志物，以优化每日步数分布，从而降低心血管代谢风险。模拟研究表明，该方法优于现有的连续动作强化学习方法，预示着增加和更一致的体力活动将带来更好的健康结果。
-
AI模型利用全国电子健康记录数据预测慢性鼻窦炎
研究人员开发了一种利用全国电子健康记录（EHR）数据预测慢性鼻窦炎（CRS）的新方法。该方法利用了诊断前两年的病史和一个混合特征选择流程，将110,000多个潜在代码提炼为100个可解释的特征。通过对六个亚组进行人口统计学分层模型训练，该框架实现了0.8461的AUC，展示了在风险分层方面的鉴别能力有所提高，并有可能在初级保健中实现更早的分诊。
-
新方法解决大规模人群研究中缺失协变量数据的问题
研究人员开发了一种新的增强迁移回归学习方法，以解决目标人群中关键协变量完全缺失的情况，这是UK Biobank等大型数据集中常见的问题。该技术专为跨人群缺失数据问题设计，假设虽然结果与观测变量之间的关系在不同人群中可能发生变化，但缺失协变量的条件分布保持不变。所提出的估计量是双重稳健的，并在特定条件下实现了半参数效率。