MARC

 008250123s2024        us                              c    eng  d
■001000017160753
■00520250211151111
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382763224
■035    ▼a(MiAaPQ)AAI31144297
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aWang,  Hanyin.▼0(orcid)0000-0001-9884-9683
■24510▼aEnhancing  Automated  Diagnostics  in  Critical  Care  Harnessing  the  Power  of  Artificial  Intelligence  with  Heterogeneous  Health  Data
■260    ▼a[Sl]▼bNorthwestern  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a109  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  B.
■500    ▼aAdvisor:  Starren,  Justin  J.
■5021  ▼aThesis  (Ph.D.)--Northwestern  University,  2024.
■520    ▼aIn  the  realm  of  health  informatics,  automatic  diagnostics  stands  as  a  transformative  approach,  harnessing  the  power  of  artificial  intelligence  (AI)  to  derive  actionable  insights  from  complex  health  data.  This  dissertation  presents  an  in-depth  examination  of  novel  computational  phenotyping  application  in  critical  care  across  various  medical  data  modality,  laying  groundwork  for  advancements  in  medical  diagnostics  and  treatment  strategies.  Through  innovative  use  of  deep  learning,  this  dissertation  first  delves  into  the  automated  detection  of  abnormal  conditions  in  medical  images,  demonstrating  significant  advancements  in  the  application  of  self-supervised  learning.  The  methodology  extends  to  the  intricate  analysis  of  clinical  narratives,  leveraging  NLP  to  uncover  nuanced  patterns  in  healthcare  documents,  with  a  special  focus  on  critical  condition  prediction.  A  pivotal  aspect  of  this  work  is  the  evaluation  of  algorithmic  fairness  in  machine  learning-based  healthcare  decision-making  for  critical  care  settings,  addressing  the  ethical  implications  and  the  need  for  equitable  AI-driven  healthcare  solutions.The  findings  underscore  the  dual  potential  of  AI  to  revolutionize  critical  care  by  improving  efficiency  in  diagnostics  and  enhancing  fairness  in  treatment  outcomes.  By  navigating  the  complexities  of  computational  phenotyping,  this  dissertation  contributes  to  the  advancement  of  precision  medicine  and  personalized  healthcare  in  the  critical  care  domain.  Furthermore,  this  dissertation  emphasizes  the  importance  of  fostering  an  equitable  critical  care  landscape,  paving  the  way  for  future  research  that  bridges  the  gap  between  technological  innovation  and  healthcare  equity.  The  conclusion  drawn  from  this  comprehensive  dissertation  not  only  highlights  the  achievements  in  automated  diagnostics  in  critical  care  but  also  sets  the  stage  for  ongoing  exploration  into  the  ethical  deployment  of  AI  in  healthcare,  advocating  for  a  future  where  technology  and  medicine  converge  to  enhance  patient  care  across  the  spectrum.
■590    ▼aSchool  code:  0163.
■650  4▼aBioinformatics
■650  4▼aComputer  science
■650  4▼aHealth  sciences
■653    ▼aComputational  phenotyping
■653    ▼aComputer  vision
■653    ▼aElectronic  health  records
■653    ▼aHealth  informatics
■653    ▼aMachine  learning
■653    ▼aNatural  language  processing
■690    ▼a0715
■690    ▼a0984
■690    ▼a0566
■690    ▼a0800
■71020▼aNorthwestern  University▼bDriskill  Graduate  Training  Program  in  Life  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g85-11B.
■790    ▼a0163
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160753▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books