اکسپرس 24
ترجمه فارسی مقاله پیش‌بینی زودهنگام علل (نه اثرات) در مراقبت‌های بهداشتی با پیش‌بینی سری‌های زمانی بالینی بلندمدت

ترجمه فارسی مقاله پیش‌بینی زودهنگام علل (نه اثرات) در مراقبت‌های بهداشتی با پیش‌بینی سری‌های زمانی بالینی بلندمدت

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Early Prediction of Causes (not Effects) in Healthcare by Long-Term Clinical Time Series Forecasting
عنوان مقاله به فارسی پیش‌بینی زودهنگام علل (نه اثرات) در مراقبت‌های بهداشتی با پیش‌بینی سری‌های زمانی بالینی بلندمدت
نویسندگان Michael Staniek, Marius Fracarolli, Michael Hagmann, Stefan Riezler
فرمت مقاله انگلیسی PDF
تعداد صفحات 30
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 26 August, 2024; v1 submitted 7 August, 2024; originally announced August 2024. , Comments: Published at Machine Learning for Healthcare (MLHC), Toronto, 2024
توضیحات به فارسی ارسال شده در 26 اوت 2024 ؛V1 ارسال شده در 7 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: منتشر شده در Machine Learning for HealthCare (MLHC) ، تورنتو ، 2024

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 1,200,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Machine learning for early syndrome diagnosis aims to solve the intricate task of predicting a ground truth label that most often is the outcome (effect) of a medical consensus definition applied to observed clinical measurements (causes), given clinical measurements observed several hours before. Instead of focusing on the prediction of the future effect, we propose to directly predict the causes via time series forecasting (TSF) of clinical variables and determine the effect by applying the gold standard consensus definition to the forecasted values. This method has the invaluable advantage of being straightforwardly interpretable to clinical practitioners, and because model training does not rely on a particular label anymore, the forecasted data can be used to predict any consensus-based label. We exemplify our method by means of long-term TSF with Transformer models, with a focus on accurate prediction of sparse clinical variables involved in the SOFA-based Sepsis-3 definition and the new Simplified Acute Physiology Score (SAPS-II) definition. Our experiments are conducted on two datasets and show that contrary to recent proposals which advocate set function encoders for time series and direct multi-step decoders, best results are achieved by a combination of standard dense encoders with iterative multi-step decoders. The key for success of iterative multi-step decoding can be attributed to its ability to capture cross-variate dependencies and to a student forcing training strategy that teaches the model to rely on its own previous time step predictions for the next time step prediction.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشینی برای تشخیص سندرم اولیه با هدف حل وظیفه پیچیده پیش بینی یک برچسب حقیقت زمینی که اغلب نتیجه (تأثیر) تعریف اجماع پزشکی است که برای اندازه گیری های بالینی مشاهده شده (علل) اعمال می شود ، با توجه به اندازه گیری های بالینی که چندین ساعت قبل مشاهده شده است.به جای تمرکز بر پیش بینی اثر آینده ، ما پیشنهاد می کنیم علل را از طریق پیش بینی سری زمانی (TSF) متغیرهای بالینی پیش بینی کنیم و با استفاده از تعریف اجماع استاندارد طلا در مقادیر پیش بینی شده ، تأثیر را تعیین کنیم.این روش از مزیت ارزشمندی از ساده بودن تفسیر برای پزشکان بالینی برخوردار است ، و از آنجا که آموزش مدل دیگر به یک برچسب خاص متکی نیست ، از داده های پیش بینی شده می توان برای پیش بینی هر برچسب مبتنی بر اجماع استفاده کرد.ما روش خود را با استفاده از TSF طولانی مدت با مدل های ترانسفورماتور ، با تمرکز بر پیش بینی دقیق متغیرهای بالینی پراکنده درگیر در تعریف SEPSIS-3 مبتنی بر مبل و تعریف جدید فیزیولوژی حاد جدید (SAPS-II) مثال می زنیم.آزمایشات ما بر روی دو مجموعه داده انجام می شود و نشان می دهد که برخلاف پیشنهادهای اخیر که از رمزگذارهای مجموعه ای برای سری زمانی و رمزگشایی های چند مرحله ای مستقیم حمایت می کنند ، بهترین نتیجه با ترکیبی از رمزگذارهای متراکم استاندارد با رمزگشده های چند مرحله ای تکراری حاصل می شود.نکته اصلی موفقیت در رمزگشایی چند مرحله ای تکراری را می توان به توانایی آن در گرفتن وابستگی های متقاطع متقاطع و دانشجویی که مجبور به آموزش آموزش است که به مدل آموزش می دهد ، نسبت به پیش بینی های مرحله زمانی قبلی خود برای پیش بینی مرحله بعدی متکی باشد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.