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
在临床领域中,序列标注是一种广泛使用的方法,其主要应用是从非结构化的自然语言数据中提取药物、指示和副作用等医学实体。本文通过使用具有循环神经网络的多种基于 CRF 的结构化学习模型,扩展了先前研究的 LSTM-CRF 模型,并提出了一种具有 RNN 位势的跳链 CRF 推理的近似版本,以实现各种医学实体的精确短语检测。
Aug, 2016
本文综述了当前神经自然语言处理方法在电子病历应用中的广泛运用,包括分类和预测,词嵌入,提取,生成以及其他诸如问答、表型、知识图谱、医学对话、多语言性和可解释性等领域。
Jul, 2021
本文提出一种利用递归神经网络和词语和实体类型嵌入作为特征提取高层特征的方法,避免使用各种自然语言处理工具生成的复杂手工特征。我们的实验显示在多层事件抽取 (MLEE) 语料库上达到了最先进的 F1 得分,并对结果进行了类别分析和讨论了在触发器识别任务中各种特征的重要性。
May, 2017
提出了一种利用复制递归神经网络(RNN)结构的路径生成器和路径判别器进行疾病分类的粗到细的 ICD 路径生成框架(CRNNet),在识别并发症时具有更高的效率,57.30%的复杂疾病预测比现有技术和以前的方法表现更好,同时通过消融研究证明了复制机制在检测复杂疾病中发挥了关键作用。
May, 2023
该研究论文探讨了如何使用基于条件随机场(CRFs)的多传感器融合算法对人类活动监控的大量时间序列进行分类,同时提供了区分不同类型序列的判别模型,实验结果证明了该方法的有效性。
Feb, 2016
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
研究探讨采用现代化循环神经结构(Elman,Jordan 网络和双向 LSTM)以及 CRF 解码方法进行药品名称识别,从而代替传统手工特征和领域特定资源,大幅提高医学文本分类性能。
Sep, 2016
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
本文探讨采用长短期记忆(LSTM)深度神经网络来挖掘多元时间序列的临床医疗数据,特别是在重症监护病房(ICU)中的应用,通过将 128 个诊断结果与 13 个临床测试指标进行分类建模,获得了优于其他多层感知机的分类效果。
Nov, 2015