Jul, 2015

在干预引起的截尾情况下学习（预测性）风险评分

PDF
TL;DR文章提出一种基于排序算法的疾病严重程度评分学习框架（DSSL），可将患者的测量数据转化为与专家评分一致的严重程度分数，将其应用于感染性休克疾病的严重程度评分，得到的分数在排序和早期治疗方面均明显优于现有的临床评分，并且对不同治疗方案的变化具有更好的泛化性能。
disease severitypatient measurementsseverity score learningranking algorithmsepsis
发现论文，激发创造
  • 通过干预预测提高临床风险评分的可解释性

    该研究展示了机器学习系统在通过风险评分预测患者不良事件方面的巨大潜力，但未来介入干预政策会对风险评分产生影响，所以在此提出了一种联合模型来更加明确地传达有关未来干预的假设。通过将典型风险评分与未来干预概率评分相结合，可以提供更可解释的临床预测。

    Jul, 2022

  • 使用高斯过程混合模型进行个性化危险评分以预测危重病情

    在这篇论文中，我们提出了一种个性化的实时风险评分算法，基于病人的（时间性）实验室测试和生命体征提供及时和细致的临床状况评估，确保临床恶化的病人能够及时转入重症监护室，该风险评分系统通过从离线电子健康记录数据中学习一组潜在的患者亚型，并训练一组高斯过程 (GP) 专家，每个专家可以模拟与特定患者亚型相关的生理数据流，从而实现。

    Oct, 2016

  • 从医学序数标签预测连续分数的通用框架

    该研究提出了一种基于离散等级标签来预测连续值变量的框架，在三项临床预测任务中取得了较好效果，并证明了该方法通过蒙特卡罗 dropout 可以提高预测准确性。

    May, 2023

  • 临床环境下脓毒症发作的早期预测

    采用机器学习模型来预测感染性休克的早期发生，利用来自纽约布朗克斯 Montefiore 医疗中心的非身份识别的临床数据。

    Feb, 2024

  • 学习优化风险评分

    通过机器学习方法中标度、稀疏、整数系数和适应特定应用限制的混合整数非线性规划的切割平面算法来改进现有的风险评分模型，并更好地适应实际应用场景，比传统启发式方法更具优势和实际意义。

    Oct, 2016

  • 危重病患的快速且可解释的死亡风险评分

    使用现代可解释的机器学习技术设计准确可解释的死亡风险评分模型，通过评估医疗中心的风险，研究领域的泛化性，并开发了一种新的算法 GroupFasterRisk，其风险评分模型在设计灵活性上比黑盒机器学习模型优于传统风险评分模型。

    Nov, 2023

  • 利用光电容积脉搏波和深度学习预测心血管疾病风险

    通过使用智能手机上的 PPG 感应技术，我们建立了一种基于深度学习的 CVD 风险预测模型，可预测十年内患心血管疾病的可能性，该模型采用年龄、性别、吸烟状态和 PPG 等因素作为预测因子，可在医疗资源有限的地区提供一种基于社区的初级预防方法。

    May, 2023

  • 自动数据校正的混合整数投影改进住院患者败血症预测

    机器学习模型在自动化临床决策中起着越来越重要的作用。我们介绍了一种基于投影的创新方法，将临床专业知识作为领域约束无缝融合，生成可用于机器学习工作流的重要元数据。通过捕捉生理和生物限制患者生命体征和实验室数值的高维混合整数规划，我们可以利用数学 “投影” 的力量纠正电子病历数据中的患者数据错误。我们测量修正后的数据与定义健康范围的约束之间的距离，得到一个称为 “信任分数” 的独特预测指标。这些分数提供了对患者健康状况的见解，并显著提升了机器学习分类器在现实临床环境中的性能。我们在早期脓毒症检测的背景下验证了我们框架的影响。我们展示了 0.865 的 AUROC 和 0.922 的精确度，超过了没有此类投影的常规机器学习模型。

    Aug, 2023

  • 基于自监督表示学习和多图像预测的 COVID-19 预后

    本文使用 self-supervised 学习方法（即 MoCo 方法）实现了以胸部 X 光为基础的 COVID-19 患者恶化预测模型，包括不良事件恶化和氧需求增加两种类型，并提出了可处理多图像序列的新型 Transformer-based 架构，在 96 小时内，模型准确预测了患者的恶化和死亡情况。

    Jan, 2021

  • 临床医生的一致性评估：基于动态模型预测败血症疾病进展

    利用强化学习生成重症监护病房中脓毒症患者的治疗方案的研究表明，临床医生的建议往往是偶然的，并且临床操作的多样性对疾病进展的测量效果不明显。

    Apr, 2024