Oct, 2016

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

PDF
TL;DR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。
personalized medicinerisk scoringclinical acuitygaussian processcritical care
发现论文，激发创造
  • 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

  • 使用多任务高斯过程循环神经网络分类器学习检测脓毒症

    本文介绍了一种可伸缩的端到端分类器，它使用连续的生理时间序列和药物数据来准确预测败血症的发作，并且可以在高度不确定、频繁缺失和不规则采样率的真实临床数据中工作。通过使用任务多元高斯过程模型和基于回归神经网络的黑盒分类器，我们表明在大规模的医院数据中，该分类器胜过了我们医院目前使用的新闻评分，并且收益了 19.4％和 55.5％的改进。

    Jun, 2017

  • 利用放射学报告和图像改善 ICU 死亡率预测的实证研究

    本文采用深度学习技术，以多模态数据为特征预测 ICU 死亡率，在 MIMIC-IV 数据集上进行验证，结果显示平均 C 指数为 0.7829，明显优于基线 SAPS-II 特征 (0.7470) 并证明了已预定义标签 (2.00%)、文本特征 (2.44%) 和影像特征 (2.82%) 的贡献。

    Jun, 2023

  • 从临床判断中学习：基于半马尔可夫调制带标记霍克斯过程的风险预测

    该研究发展了一个连续时间概率模型以用于监测危重患者的生理数据，并对这些患者进行风险预测，该模型的预测结果优于目前的医疗风险评分和其他基线机器学习算法。

    May, 2017

  • 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

  • 高斯过程混合效应深度模型：基于个性化和可靠的医疗预测

    我们提出了一个针对医疗保健的个性化和可靠的预测模型，可以提供个性化的诊断、治疗和预防等医疗服务。该模型利用深度神经网络学习众多病人的复杂全局趋势，并利用高斯过程对每个病人的个性化时间序列进行概率建模，从而比标准时间序列深度模型如纯循环神经网络（RNN）具有更实用的优势。

    Jun, 2018

  • 在干预引起的截尾情况下学习（预测性）风险评分

    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。

    Jul, 2015

  • 通过知识图谱增强的多视图图卷积从医疗文本预测患者再入院风险

    本研究提出一种新的方法，使用电子健康记录（EHR）的医疗文本，通过多视图图表和图卷积网络对患者出院小结进行表征学习，以预测重返重症监护病房的风险，获得了最优的预测效果。

    Dec, 2021

  • 一种改进的多输出高斯过程循环神经网络，具有实时验证功能，用于早期脓毒症检测

    该研究提出一种多输出高斯过程和深度递归神经网络相结合的方法，实现对 sepsis 的早期检测，有效性较现有方法更佳，并可在实时仪表盘上展示其预测结果，以便用于 sepsis 快速反应团队的诊断和治疗。

    Aug, 2017

  • 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