从电子健康记录中学习医疗概念表示,并在心力衰竭预测中应用
本研究提出了一种基于电子病历数据的的 Med2Vec 方法,通过学习医学代码和访问的分布式表示形式,利用序列访问顺序和访问内部代码的共现关系提供临床医生可验证的基础, 在关键医学应用中显示出与流行基线(如 Skip-gram、GloVe 和堆叠自动编码器)相比的显着改进。
Feb, 2016
应用 Transformer 网络和 BERT 语言模型,将包含多种数据模式的电子病历编入一个统一矢量表示,从而实现了病人就诊数据的高效表示,这种方法在 MIMIC-III ICU 数据集上得到了出色的性能和可泛化性。
Aug, 2019
本文提出了一个基于纵向病人电子健康记录 EHR 的病人相似性评估框架,结合卷积神经网络和医疗概念嵌入实现对病人临床记录的最优表示,进而提高了病人相似性的性能。
Feb, 2019
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
本文提出使用语义嵌入方法,将原始、杂乱的临床数据直接与下游学习架构耦合,以实现最小化预处理。我们从捕捉和编码数据表示中的复杂数据依赖性的角度考虑这一步骤,而不是在模型中实现,该方法允许使用快速,轻量级和简单的模型进行下游处理,对于没有机器学习专业知识的研究人员非常有用。我们通过三个典型的临床预测任务证明了高度压缩的嵌入数据表示捕获了大量有用的复杂性,尽管在某些情况下,压缩并非完全无损。
Feb, 2018
本文提出了一种计算框架,称为 Patient2Vec,以学习可解释的深度纵向电子健康记录数据表达,并将其应用于实际患者信息以预测未来住院情况,该方法展现出明显的预测性能优势。
Oct, 2018
利用深度学习的预测模型,基于电子病历(EHR),在医疗保健领域备受关注。我们提出了一种新颖的时间异构图模型,将病人的 EHR 建模成历史访问节点和医疗事件节点,并利用时间感知访问节点来捕捉患者健康状况的变化,同时通过将时间边特征、全局位置编码和局部结构编码整合到异构图卷积中,捕捉了时间和结构信息。通过对三个真实数据集进行广泛实验,我们证实了 TRANS 的有效性,结果表明我们提出的方法达到了最先进的性能。
May, 2024
利用基于深度学习的无监督框架从电子健康记录中提取患者表现,为下一代个体化医学提供指导。通过将病人轨迹转换为低维潜在向量来对 1,608,741 例患者的电子病历进行了综合分析,发现 ConvAE 可以生成导致临床有意义的见解的患者表示形式。
Mar, 2020
通过提出 COhort Representation lEarning (CORE) 框架,从患者之间的细粒度 cohort 信息出发,对 EHR 数据表示进行增强学习,以提高患者管理和干预策略在临床实践中的应用,为医疗方法注入集体信息以提高性能。
Apr, 2023