NIPSDec, 2016

使用滑动窗口和循环分类器预测患者的健康状态

PDF
TL;DR本文探讨了 ICU 中由于床边监测器发出过多错误的警报声导致护士对警报的反应迟缓和麻木，进而导致忽略真正的警报信号的问题，并比较了滑动窗口预测器和递归神经网络在分类 ICU 多元时间序列中患者健康状况的表现，发现在四个指标中有三个指标 RNN 表现更佳。
intensive care unitsbedside monitorsalarm fatiguepatient classificationrecurrent neural networks
发现论文，激发创造
  • 使用长短期记忆网络预测 ICU 病死率

    实验结果突出了 LSTM 模型对建立真实世界预测引擎的高效性，通过利用严格的多变量时间序列测量将时间框架缩小到 6 小时，这个自动数据驱动系统可以分析从电子健康记录中得出的大量多变量时间数据，提取高级信息以早期预测住院死亡率和住院时间。

    Aug, 2023

  • 使用 LSTM 循环神经网络进行诊断学习

    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

  • 使用图表示学习预测患者结果

    该研究提出了一种将 LSTM 和图神经网络结合使用的模型，通过利用救治过程中患者之间的关联信息，实现了对患者预后的精确预测，表现出比 LSTM 单独使用更好的效果。

    Jan, 2021

  • 使用临床记录和时间序列数据进行重症监护室管理

    通过将临床记录作为另一种数据形式添加到机器学习模型中，可以在 ICU 管理的几项基准任务中实现显著的改进，包括住院死亡率预测、恶化建模和住院时间预测。

    Sep, 2019

  • 可解释机器学习在 ICU 复诊预测中的应用

    通过标准化和可解释的机器学习流程，该研究在多中心数据库上建模和预测了患者再次入院，使用随机森林分类模型获得了高达 0.7 的预测性能，并提供了对生命体征、血液检查、人口统计学信息和 ICU 相关变量等方面的有见地的结果，对临床医生的决策提供了宝贵的信息。

    Sep, 2023

  • 深度网络在临床干预预测和理解中的应用

    本文旨在利用所有可用的 ICU 数据（生命体征、实验室数据、病历及患者基本信息）并关注学习数据的丰富表示，通过使用递归神经网络 LSTM 和卷积神经网络 CNN 分别预测侵入性干预的发生和停止。该预测支持 “实时” 表现，并在六小时内进行以支持临床可操作的规划，同时通过特征遮盖等方法提高模型的解释性，最终超过对照组并提供模型学习洞见。

    May, 2017

  • 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

  • 基于人工智能 (AI) 的新冠肺炎患者死亡预测

    针对 COVID-19 严重患者，本研究利用九种机器学习算法和两种特征选择方法进行预测模型建立，发现重症肾脏损伤是最重要的特征。在预测死亡、ICU 需求和通气天数方面，LSTM 算法表现最佳，准确率达到 90%，敏感性为 92%，特异性为 86%，AUC 为 95%。针对通气天数的预测，DNN 算法准确率达到 88%。综合各因素和局限性，选取合适的特征和数据平衡的机器学习算法可准确预测死亡、ICU 需求和通气支持，在紧急和疫情爆发情况下非常有用。

    Mar, 2024

  • 追求相关性

    通过使用与临床环境相一致的关键指标，研究成功构建出以临床重要指标为重点的机器学习模型，从而提高了 ICU 患者护理水平。

    Mar, 2024

  • 使用时序点卷积网络预测重症监护室停留时间

    本论文提出了一种基于时态卷积和点卷积（1x1 卷积）相结合的新型深度学习模型，旨在解决医院床位管理中的 ICU 床位管理问题，并成功在 eICU 重症监护数据集上进行了病人住院天数的预测。与常用的 LSTM 网络和 Transformer 相比，本模型可以显著提高 18-51% 的性能。

    Jun, 2020