Модели машинного обучения в Webiomed

Для нашей системы мы создаем различные модели на основе машинного обучения. Главное – это предиктивная аналитика, которая позволяет системе предсказать возможные события со здоровьем пациента. Но нам также нужны модели извлечения признаков из текстовых записей и модели для выявления подозрений на заболевания

фильтр по видам моделей

фильтр по нозологиям

Нозология: Кардиология

Прогнозирование развития ССЗ в течение 10 лет

Код модели: WML.CVD.FRS

Паспорт модели

Accuracy 80%
AUC 0,83

Нозология: Кардиология

Прогнозирование смерти от ИБС и инсульта в течение 10 лет

Код модели: WML.CVD.Score

Паспорт модели

Accuracy 85%
AUC 0,83

Нозология: Кардиология • Эндокринология • Нефрология • Офтальмология

Прогнозирование осложнений у пациентов с сахарным диабетом 2 типа в течение 10 лет

Код модели: WML.Diabetes.10уRiskComplications

Паспорт модели

Accuracy 86-96%
AUC 0.60-0.76

Нозология: Офтальмология

Прогнозирование потери зрения от диабетической ретинопатии в течение 4-х лет

Код модели: WML.Diabetes.4yRetinopathyVisionLoss

Паспорт модели

Accuracy 91%
AUC 0.89

Нозология: Кардиология

Прогнозирование летального исхода от ССЗ у пациентов с сахарным диабетом 2 типа в течение 7 лет

Код модели: WML.Diabetes.7yCVDMortality

Accuracy 70%
AUC 0.71

Нозология: Кардиология

Прогнозирование развития ССЗ у пациентов с сахарным диабетом 2 типа в течение 7 лет

Код модели: WML.Diabetes.7yCVDEvents

Паспорт модели

Accuracy 71-97%
AUC 0.71-0.88

Нозология: Акушерство и гинекология

Оценка перинатального риска на основании кардиотокограммы по шкале FIGO

Код модели: WML.Perinatal.FIGO

Паспорт модели

Accuracy 90%
AUC 0.90

Нозология: Кардиология • Эндокринология • Инфекционные заболевания • Пульмонология

Выявление подозрений на хронические и острые заболевания по жалобам (Симптомчекер)

Код модели: WML.SymptomChecker

Паспорт модели

Accuracy 78%
AUC 0.85

Вид модели: Прогнозные модели

Прогнозирование обращения пациента за медицинской помощью в течение ближайших 12 месяцев

Код модели: WML.MedicalAssistance

  • Предсказание наступления страхового случая в течение ближайших 12  месяцев.
  • Модель разработана для использования сотрудниками страховых компаний в качестве инструмента поддержки принятия решений.
Accuracy 78-85%
AUC 0,86 – 0,89

Вид модели: Извлечение признаков

Извлечение признаков объективных данных из медицинских записей

Код модели: WML.NLP.ObjectiveData

Precision 0.97
F1 0.98

Вид модели: Извлечение признаков

Извлечение признака "табакокурение" из медицинских записей

Код модели: WML.NLP.Smoking

Precision 0.88
F1 0.98

Вид модели: Извлечение признаков

Извлечение лабораторных признаков и их значений из медицинских записей

Код модели: WML.NLP.Laboratory

Precision 0.91
F1 0.89

Вид модели: Извлечение признаков

Извлечение симптомов COVID-19 из медицинских записей

Код модели: WML.NLP.Covid19

Precision 0.93
F1 0.92

Платформа Webiomed

Посмотрите список наших прогнозных моделей

Перейти в каталог моделей
Webiomed.NLP
Перейти к описанию

Блог

Дополнительные материалы

17 Мар 2021  |   4 160

Предиктивная аналитика перинатального риска и искусственный интеллект

В настоящее время отмечается повышенный интерес к применению технологий искусственного интеллекта (Artificial Intelligence, ИИ) в …

06 Окт 2020  |   18 996

Интерпретация результатов машинного обучения

Альберт Эйнштейн: «Если вы не можете объяснить что-то простым языком, вы этого не понимаете». Зачем …

22 Апр 2019  |   4 993

Как машинное обучение меняет управление здравоохранением

Искусственный интеллект во всю стремится преобразовать здравоохранение. Благодаря быстрому росту и возможности обеспечить значительную экономию …

19 Апр 2019  |   5 078

Перспективы прогнозной аналитики в управлении здравоохранением

Согласно опросу, проведенному Обществом Актуариев (Society of Actuaries), почти две трети руководителей (60%) заявляют, что …

Все статьи в блоге