Semi-supervised classification of disease prognosis using CR images with clinical data structured graph
Semi-supervised classification of disease prognosis using CR images with clinical data structured graph
复制标题
使用 CR 图像和临床数据结构化图对疾病预后进行半监督分类
DOI：
10.1145/3535508.3545548
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Nabavi, Sheida
中科院分区：
文献类型：
--
作者：
Bai, Jun;Li, Bingjun;Nabavi, Sheida
快速增长的全球互联互通和城市化增加了疾病在全球传播的风险。全球范围内的 SARS-COV-2 疾病导致医疗保健系统紧张，特别是重症监护病房。因此，在入院阶段优先预测患者对重症监护室的需求，以便有效分配资源。在住院早期，总是收集患者的胸片和临床资料来诊断。因此，我们提出了一种嵌入计算机放射成像检查特征（CGMNN）的临床数据结构化图马尔可夫神经网络来预测重症监护病房对新冠患者的需求。该研究利用了 1,342 名患者的胸部计算机 X 光检查以及来自公共数据集的临床数据。所提出的 CGMNN 优于基线模型，准确度为 0.82，灵敏度为 0.82，精度为 0.81，F1 分数为 0.76。
Fast growing global connectivity and urbanisation increases the risk of spreading worldwide disease. The worldwide SARS-COV-2 disease causes healthcare system strained, especially for the intensive care units. Therefore, prognostic of patients' need for intensive care units is priority at the hospital admission stage for efficient resource allocation. In the early hospitalization, patient chest radiography and clinical data are always collected to diagnose. Hence, we proposed a clinical data structured graph Markov neural network embedding with computed radiography exam features (CGMNN) to predict the intensive care units demand for COVID patients. The study utilized 1,342 patients' chest computed radiography with clinical data from a public dataset. The proposed CGMNN outperforms baseline models with an accuracy of 0.82, a sensitivity of 0.82, a precision of 0.81, and an F1 score of 0.76.
影响因子：
3
作者：
Wang T;Bai J;Nabavi S
通讯作者：
Nabavi S
影响因子：
8.8
作者：
Dennis JM;McGovern AP;Vollmer SJ;Mateen BA
通讯作者：
Mateen BA
影响因子：
3.8
作者：
Bai, Jun;Jin, Annie;Nabavi, Sheida
通讯作者：
Nabavi, Sheida