Nov, 2015

Doctor AI: 通过循环神经网络预测临床事件

PDF
TL;DR使用大量历史数据，Doctor AI 基于循环神经网络（RNN）作为时间模型，从 260k 患者数据中预测多种医学诊断和用药类别，该模型可比几个基线模型更高效地进行差异诊断。
doctor aipredictive modelelectronic health recordmedical conditionsrecurrent neural networks
发现论文，激发创造
  • 可扩展和准确的电子健康记录深度学习

    使用电子健康记录进行循证医学和准确预测，通过 Fast Healthcare Interoperability Resources (FHIR) 格式表示病人的原始病历记录，并使用深度学习方法进行多中心的多个医疗事件预测，包括住院死亡率、未经计划的 30 天再入院率、医院停留时间延长、所有患者的最终出院诊断等。

    Jan, 2018

  • 电子健康记录中的医疗事件检测的双向循环神经网络

    本文研究了使用循环神经网络框架在电子病历中提取医疗事件和属性的序列标注任务，实验结果表明其优于传统的有监督机器学习模型，可应用于药物监管等医疗信息学领域。

    Jun, 2016

  • 临床推荐系统：利用神经网络集成预测医学专业的诊断选择

    本文提出了一种基于神经网络的数据驱动模型，可根据病人最近的临床记录自动推荐必要的诊断流程，以替代手动创建的临床清单，具有更高的准确性，可帮助卫生系统扩大对患者的及时初步医疗专科诊断工作。

    Jul, 2020

  • 利用循环神经网络结合静态与动态信息进行临床事件预测

    文章介绍了基于门控循环神经网络的预测模型，在临床数据中结合静态信息和动态信息用于预测肾移植病人的未来事件，结果表明该模型在该任务中表现最佳。

    Feb, 2016

  • 利用多任务门控循环单元从电子医疗记录预测心血管疾病的发病

    本研究提出了一种基于多任务循环神经网络和注意机制的方法，用于预测心血管事件。与标准的临床风险评估模型相比，该模型在预测中风和心肌梗死方面具有更好的性能，并且在短期内的预测效果可以通过使用多任务学习得到提升。同时，该研究还探讨了个体特征和注意力权重对于预测心血管事件的重要性，并证明了机器学习技术可以被应用于二级保健。

    Jul, 2020

  • 基于卷积神经网络的电子病历辅助诊断

    本文提出了一种基于卷积神经网络的临床智能决策方法，可以自动从电子病历中提取高级语义信息，然后进行自动诊断，结果表明这种方法是可行和有效的。

    Apr, 2018

  • 使用电子医疗记录的患者诊断预测深度学习管道

    机器学习在疾病诊断和决策方面的应用正变得越来越流行。本文开发了一种 Python 包，将公共卫生数据集转换为易于访问的通用格式，以便于构建有用的疾病诊断预测系统，并提出了两种新的模型架构进行疾病诊断多类别预测，一种使用结构化数字数据，另一种结合自然语言处理方法和可解释的可视化。这些模型都能够高准确度地预测多种诊断。

    Jun, 2020

  • TA-RNN：一种基于注意力的、面向时间的递归神经网络架构，用于电子病历

    提出了两种基于 RNN 的可解释 DL 结构，即 TA-RNN 和 TA-RNN-Autoencoder，用于在下次访问和多次访问中预测患者的临床结果。实验证明，这些模型在预测阿尔茨海默病和死亡的性能方面超过了其他方法，并且在包括可变时间间隔的数据中也表现出色。

    Jan, 2024

  • 电子健康记录的基于概念的模型解释

    本研究扩展了 Concept Activation Vectors（TCAV）方法应用于时序数据，以实现在电子医疗记录中进行序列预测，并通过临床应用开放数据和合成数据进行了评估。

    Dec, 2020

  • 一个动态深度神经网络用于多模态临床数据分析

    本文介绍了 AdaptiveNet 重复神经网络的体系结构，以处理电子病历的多个事件列表，并应用于风湿性关节炎的疾病进展预测，优于传统基线方法。

    Aug, 2020