Catalogue Search | MBRL
Are you sure you want to remove the book from the shelf?
{{itemTitle}}
736,021
result(s) for
"machine‐learning"
Sort by:
Vorhersage vorzeitiger Behandlungsbeendigungen (teil-)stationärer Psychotherapien: Ein Machine Learning Ansatz (#428)
Hintergrund: Eine:r von fünf Patient:innen beendet vorzeitig eine psychotherapeutische Behandlung (Swift & Greenberg, 2012). Dies ist gravierend, da vorzeitige Therapiebeendigungen mit schlechteren Behandlungsverläufen und -erfahrungen für Patient:innen, aber auch mit negativen Folgekosten für das Gesundheitssystem assoziiert sind (Barrett et al., 2008). Vorzeitige Beendigungen können insb. im stationären Kontext, wo einerseits ein besonders hoher Leidensdruck für Patient:innen besteht und außerdem die direkten und indirekten Behandlungskosten erheblich sind, mit schwerwiegenden Folgen für die psychische Gesundheit einhergehen. Neuere methodische Ansätze aus dem Machine Learning Bereich erlauben eine präzise Analyse von großen Datensätzen unter Berücksichtigung komplexer Interaktionen (Giesemann et al., 2023). Ziel: Die Studie hat zum Ziel, Risikofaktoren zu identifizieren, die mit einer vorzeitigen Beendigung einer (teil-)stationären Behandlung in einem psychosomatischen Krankenhaus assoziiert sind. Methode: Klinische Routinedaten zum Zeitpunkt der Behandlungsaufnahme sowie des ersten Ambulanzkontakts zur Indikationsstellung von N = 2017 (teil-)stationären Patient:innen wurden retrospektiv analysiert. Auf Basis der Entlassbriefe wurden die Patient:innen zunächst mittels zweier unabhängiger Ratings einer von vier Kategorien für die vorzeitige Beendigung zugeordnet. Als Prädiktoren in die Vorhersagemodelle einbezogen wurden neben psychometrischen Variablen (Fragebögen) und weiteren klinischen Merkmalen (Diagnosen, Soziodemographie) auch klinisch relevante Parameter aus Aufnahmeuntersuchung und Labor. Zur Berechnung des Vorhersagemodells wurde ein Random Forest Model verwendet, welches sich für die Berechnung von Klassifikationsaufgaben eignet. Ergebnisse: Auf Basis der gerateten Entlassbriefe zeigte sich, dass 12 % der Patient: innen die (teil-)stationäre Behandlung aus therapeutischen Gründen vorzeitig beendete. Unter diesen Fällen handelte es sich bei knapp über der Hälfte um patientenseitige Abbrüche. Durch das Vorhersagemodell ermittelte Risikofaktoren für eine vorzeitige Beendigung bzw. Therapieabbruch werden vorgestellt. Diskussion: Risikofaktoren und daraus abgeleitete Behandlungsimplikationen werden diskutiert. Langfristiges Ziel ist es, durch präzisere Vorhersagemodelle ein Feedback-Instrument für Therapeut:innen zur Verfügung zu haben, sodass durch gezielte Interventionen das Risiko eines Therapieabbruchs reduziert werden kann.
Journal Article
Emotionen in der mütterlichen Stimme während des Fütterns des Kindes bei Müttern mit und ohne Essstörungsgeschichte – eine Sprachanalyse mit machine learning Ansätzen (#408)
Hintergrund: Derzeit besteht eine große Forschungsliicke hinsichtlich der Kommunikation von Müttern mit Essstörungen (ES) und ihren Kindern während der Mahlzeiten. Die wenigen Studien, die es zu diesem Thema gibt, deuten darauf hin, dass die mütterliche Kommunikation durch die Erkrankung negativ beeinträchtigt sein könnte. Die bisherigen Studien basieren vor allem auf Fragebögen oder Zählverfahren, die das Risiko einer subjektiven Beurteilung bergen. Der Einsatz technologiegestützter digitaler Analyseverfahren eröffnet neue Möglichkeiten für die Analyse von Sprachdaten. Ziel dieser Studie war es zu untersuchen, ob Mütter mit ES von Müttern ohne ES unterschieden werden können, basierend auf mit machine learning (ML) Modellen ausgewerteten Sprachdaten. Methode: Die Daten stammen von der längsschnittlichen EMKIE Studie. 17 Mütter mit und 27 Mütter ohne Essstörungsgeschichte und ihre Kinder (10.30 + 0.46 Monate) wurden während einer Mahlzeit bei sich zuhause gefilmt. Explorativ wurden verschiedene ML Modelle getestet, um die mütterliche Stimme zu analysieren. Die Diagnose einer aktuellen oder früheren ES der Frauen wurde mit dem strukturierten klinischen Interview EDE gestellt. Ergebnisse: Ein ML Modell, das auf die Vorhersage von emotionaler Erregung, Valenz und Dominanz spezialisiert ist, lieferte die klarsten Unterschiede zwischen den Gruppen mit und ohne ES. Es zeigte sich, dass über die gesamte Dauer der Mahlzeit Erregung, Valenz und Dominanz im Stimmausdruck der Frauen mit ES höher ausgeprägt waren verglichen mit den Frauen ohne ES. Außerdem wurde beobachtet, dass alle drei Variablen in beiden Gruppen die stärkste Ausprägung in der Mitte der Interaktion erreichten. Diskussion: ML Modelle konnten Unterschiede in der Stimme von Frauen mit ES im Vergleich zu Frauen ohne ES feststellen. Die Stimmen der Frauen mit ES zeigten höhere Emotionalität über den gesamten Mahlzeitenverlauf und deuteten darauf hin, dass diese Frauen die Situation als stressiger empfanden. ML Ansätze sind interessant für die Essstörungsforschung, da auch subtile Unterschiede erfasst werden können, welche in Fragebögen nicht gezeigt werden konnten.
Journal Article
Deep learning in practice
\"Deep Learning in Practice helps you learn how to develop and optimize a model for your projects using Deep Learning (DL) methods and architectures. This book is useful for undergraduate and graduate students, as well as practitioners in industry and academia. It will serve as a useful reference for learning deep learning fundamentals and implementing a deep learning model for any project, step by step\"-- Provided by publisher.
Book
Oracle business intelligence with machine learning : artificial intelligence techniques in OBIEE for actionable BI
Use machine learning and Oracle Business Intelligence Enterprise Edition (OBIEE) as a comprehensive BI solution. This book follows a when-to, why-to, and how-to approach to explain the key steps involved in utilizing the artificial intelligence components now available for a successful OBIEE implementation. Oracle Business Intelligence with Machine Learning covers various technologies including using Oracle OBIEE, R Enterprise, Spatial Maps, and machine learning for advanced visualization and analytics. The machine learning material focuses on learning representations of input data suitable for a given prediction problem. This book focuses on the practical aspects of implementing machine learning solutions using the rich Oracle BI ecosystem. The primary objective of this book is to bridge the gap between the academic state-of-the-art and the industry state-of-the-practice by introducing you to machine learning with OBIEE. You will: See machine learning in OBIEE Master the fundamentals of machine learning and how it pertains to BI and advanced analytics Gain an introduction to Oracle R Enterprise Discover the practical considerations of implementing machine learning with OBIEE.
Book
