Highly accurate and explainable detection of specimen mix-up using a machine learning model.

Mitani, Tomohiro; Doi, Shunsuke; Yokota, Shinichiroh; Imai, Takeshi; Ohe, Kazuhiko

Mitani, Tomohiro; Doi, Shunsuke; Yokota, Shinichiroh; Imai, Takeshi; Ohe, Kazuhiko.

Afiliação

Mitani T; Department of Biomedical Informatics, Graduate School of Medicine, The University of Tokyo, Tokyo, Japan.
Doi S; Department of Healthcare Information Management, The University of Tokyo Hospital, Tokyo, Japan.
Yokota S; Department of Healthcare Information Management, The University of Tokyo Hospital, Tokyo, Japan.
Imai T; Department of Biomedical Informatics, Graduate School of Medicine, The University of Tokyo, Tokyo, Japan.
Ohe K; Department of Biomedical Informatics, Graduate School of Medicine, The University of Tokyo, Tokyo, Japan.

Clin Chem Lab Med ; 58(3): 375-383, 2020 02 25.

Article em En | MEDLINE | ID: mdl-32031970

Assuntos

Artefatos; Aprendizado de Máquina; Manejo de Espécimes; Humanos

Palavras-chave

anomaly detection; data-mining; delta-check method; laboratory information system; machine learning; patient safety

Texto completo

Imprimir

XML

PubMed Links

Buscar no Google

Texto completo: 1 Coleções: 01-internacional Base de dados: MEDLINE Assunto principal: Manejo de Espécimes / Artefatos / Aprendizado de Máquina Tipo de estudo: Diagnostic_studies / Prognostic_studies Limite: Humans Idioma: En Revista: Clin Chem Lab Med Assunto da revista: QUIMICA CLINICA / TECNICAS E PROCEDIMENTOS DE LABORATORIO Ano de publicação: 2020 Tipo de documento: Article País de afiliação: Japão

Texto completo

Imprimir

XML

PubMed Links

Buscar no Google