Evaluation von Entscheidungsbaummodellen des maschinellen Lernens für das akute Leberversagen nach Reanimation

• Verfasst von: Luckscheiter, André Hermann [VerfasserIn]
• Verfasst von: Zink, Wolfgang [VerfasserIn]
• Verfasst von: Thiel, Manfred [VerfasserIn]
• Verfasst von: Viergutz, Tim [VerfasserIn]
• Titel: Evaluation von Entscheidungsbaummodellen des maschinellen Lernens für das akute Leberversagen nach Reanimation
• Paralleltitel: Evaluation of decision-tree models of machine learning for the prediction of acute liver failure after resuscitation
• Verf.angabe: A. Luckscheiter, W. Zink, M. Thiel, T. Viergutz
• E-Jahr: 2022
• Jahr: September 2022
• Umfang: 12 S.
• Illustrationen: Illustrationen
• Fussnoten: Gesehen am 31.08.2023
• Schrift/Sprache: Sprache der Zusammenfassungen: Deutsch und Englisch
• Titel Quelle: Enthalten in: Anästhesiologie & Intensivmedizin
• Ort Quelle: Ebelsbach : Aktiv Dr. und Verl., 1978
• Jahr Quelle: 2022
• Band/Heft Quelle: 63(2022), 9, Seite 350-361
• ISSN Quelle: 1439-0256
• DOI: doi:10.19224/ai2022.350
• Datenträger: Online-Ressource
• Sprache: ger
• K10plus-PPN: 1858450748

Abstract

Background: Patients after cardiac arrest developing acute liver failure (ALF) show higher fatality rates and worse outcomes. As machine learning is able to support physicians in their decision-making with the help of big data in health records, the aim of this study is to evaluate decision-tree models for the prediction of ALF after resuscitation.