其他行业 · AI应用
基于电子健康记录的疾病和药物反应预测建模
西奈山伊坎医学院在Joel Dudley博士的领导下，面临使用电子健康记录（EHR）准确预测患者健康结果的挑战。为此，实验室采用先进的计算方法和深度学习技术，训练神经网络预测疾病进展和药物反应，而无需完整的疾病模型。通过利用NVIDIA TITAN X GPU，团队将算法处理时间从数周或数月大幅缩短至数小时、数分钟甚至数秒。这种快速处理能力对于及时诊断至关重要，并增强了预测模型在临床环境中实时应用的潜力，最终改善患者护理和治疗结果。
利用先进的计算方法和深度学习创建疾病和药物反应的预测模型。
未披露
在电子健康记录（EHR）上训练神经网络，预测患者健康结果，无需完整的疾病模型。
未披露
使用NVIDIA TITAN X GPU将算法处理时间从数周或数月显著缩短至数小时、数分钟或数秒。
未披露
01
业务背景
西奈山伊坎医学院在Joel Dudley博士的领导下，面临使用电子健康记录（EHR）准确预测患者健康结果的挑战。为此，实验室采用先进的计算方法和深度学习技术，训练神经网络预测疾病进展和药物反应，而无需完整的疾病模型。通过利用NVIDIA TITAN X GPU，团队将算法处理时间从数周或数月大幅缩短至数小时、数分钟甚至数秒。这种快速处理能力对于及时诊断至关重要，并增强了预测模型在临床环境中实时应用的潜力，最终改善患者护理和治疗结果。
02
遇到的问题
03
AI 解决方案
04
实施结果
利用先进的计算方法和深度学习创建疾病和药物反应的预测模型。：
在电子健康记录（EHR）上训练神经网络，预测患者健康结果，无需完整的疾病模型。：
使用NVIDIA TITAN X GPU将算法处理时间从数周或数月显著缩短至数小时、数分钟或数秒。：
处理时间的减少对于促进及时诊断和模型在临床环境中的应用至关重要。：
该项目由西奈山伊坎医学院的Joel Dudley博士领导。：
05
风险与边界
“”
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。