智醫科學

AI醫療技術、應用與市場動態

↓↓ 最新資訊 ↓↓

顯示具有 燒傷 標籤的文章。 顯示所有文章
顯示具有 燒傷 標籤的文章。 顯示所有文章

【燒傷】利用機器學習預測「燒傷」患者院內死亡率

 【燒傷】利用機器學習預測「燒傷」患者院內死亡率   文章出處    Scientific Reports      原文標題    Explainable machine learning and deep learning models for predict...

【燒傷】利用機器學習預測燒傷重症患者的非計劃性CRRT中斷風險

 【燒傷】利用機器學習預測燒傷重症患者的非計劃性CRRT中斷風險   文章出處    Journal of Burn Care & Research      原文標題    Predicting unplanned CRRT interruptions ...

【燒傷】利用機器學習預測燒傷重症患者的非計劃性CRRT中斷與危險因子

 【燒傷】利用機器學習預測燒傷重症患者的非計劃性CRRT中斷與危險因子   文章出處    Journal of Burn Care & Research      原文標題    Predicting unplanned CRRT interruptio...

【燒傷】利用機器學習預測深度「燒傷」患者的存活率與預測因子

 【燒傷】利用機器學習預測深度「燒傷」患者的存活率與預測因子   文章出處    Scientific Reports      原文標題    Predicting survival of patients with deep burns using super...

【燒傷】利用LightGBM預測重度「燒傷」患者存活的關鍵因子

 【燒傷】利用LightGBM預測重度「燒傷」患者存活的關鍵因子   文章出處    Burns      原文標題    Development of a LightGBM-Based Survival Prediction Model for Major Bu...

【燒傷】利用機器學習預測老年燒傷患者的發炎標記24小時動態變化軌跡

 【燒傷】利用機器學習預測老年燒傷患者的發炎標記24小時動態變化軌跡   文章出處    Frontiers in Computational Neuroscience      原文標題    Deep Learning Guided Propofol Keta...

【燒傷】利用機器學習對「嚴重燒傷後的增生性疤痕(HS)」風險進行分層

 【燒傷】利用機器學習對「嚴重燒傷後的增生性疤痕(HS)」風險進行分層   文章出處    Scientific Reports      原文標題    Interpretable machine learning unveils non-linear infl...

【燒傷】利用決策樹模型預測住院「燒傷」患者死亡率

 【燒傷】利用決策樹模型預測住院「燒傷」患者死亡率   文章出處    PLOS ONE      原文標題    From data to decisions: Predicting inpatient burn mortality with advanced ...

【敗血症】利用機器學習識別入住ICU燒傷患者的「敗血症」風險

 【敗血症】利用機器學習識別入住ICU燒傷患者的「敗血症」風險   文章出處    npj Digital Medicine       原文標題    Streamlined machine learning model for early sepsis ris...

【燒傷】利用機器學習識別大面積「燒傷」患者與敗血症和死亡率相關性

 【燒傷】利用機器學習識別大面積「燒傷」患者與敗血症和死亡率相關性   文章出處    Frontiers in Cellular and Infection Microbiology       原文標題    Development and Validatio...

【燒傷】利用深度學習精確估計「燒傷」深度和全身表面積

 【燒傷】利用深度學習精確估計「燒傷」深度和全身表面積   文章出處    Scientific Reports       原文標題    Precision diagnosis of burn injuries using imaging and predic...

【燒傷】利用超音波與DL檢測「燒傷」傷口深度與預測傷口癒合時程,準確率可到95%以上

 【燒傷】利用超音波與深度學習檢測「燒傷」傷口深度與預測傷口癒合時程,準確率可到95%以上   文章出處      FSU     原文標題      FAMU-FSU College of Engineering dean will lead U.S. Army...

【燒傷】注意力模型「BuRnGANeXt50」對「燒傷」分類靈敏度為 97.22%和99.14%

 【燒傷】注意力模型「BuRnGANeXt50」對「燒傷」程度和深度分類靈敏度為 97.22%和99.14% ▌ 文章出處   Scientific Reports ▌ 原文標題   Spatial attention-based residual network f...

【燒傷】神經網路模型使用「兆赫時域頻譜分析法(THz-TDS) 」評估燒傷和預測癒合結果

原文   AI-Aided Spectroscopy Assesses Burn Severity to Improve Recoveries 出處  Photonics ...