May, 2017

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

PDF
TL;DR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。
critical carecontinuous-time probabilistic modelpatient monitoringmachine learningrisk prognosis
发现论文，激发创造
  • 多维标记霍克斯过程的非参数估计

    本文提出了一种用于估计带有标记的 Hawkes 过程的条件强度的非参数方法，并引入了两个不同的模型：用于具有兴奋核的 Hawkes 过程的浅层神经 Hawkes 模型和用于非线性 Hawkes 过程的神经网络模型。通过在合成数据集和加密货币订单簿数据上进行验证，证明了该方法的有效性和适用性。

    Feb, 2024

  • 疾病进展的时间相关概率生成模型

    医疗记录的时间序列中，通过使用马尔可夫生成模型来建模不规则的时间间隔，将临床治疗的子类型和疾病进展模式从数据中恢复和准确建模。

    Nov, 2023

  • 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

    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。

    Oct, 2016

  • 应用动态霍克斯过程探索扩散过程背后时变社群状态

    本文提出了一种名为动态 Hawkes 过程（DHP）的方法，它能够捕捉事件扩散背后的社区状态演化规律，并基于演化规律预测事件的发生。与其他五种采用的事件预测方法相比，DHP 的实验表现更加优异。

    May, 2021

  • 一种基于知识蒸馏的多变量临床时间序列中的感染性休克预测方法

    通过知识蒸馏和约束变分推断，我们使用一个高预测能力的 “教师” 神经网络模型来训练一个 “学生” 潜在变量模型，学习可解释的隐层表示，以实现对脓毒症预测结果的高准确性。

    Nov, 2023

  • AttDMM：一种用于重症监护病房风险评分的注意力深度马尔科夫模型

    本文提出了一种新型生成式深度概率模型 AttDMM，用于实时风险评分，联合学习了疾病动态和不同健康轨迹下的疾病状态，通过基准数据集 (MIMIC-III) 验证效果显著，将 ICU 患者生命预警提前数小时，为做出及时干预提供了路径。

    Feb, 2021

  • 神经霍克斯过程：一种神经自调节的多元点过程

    使用神经网络中的 LSTM 模型通过多维点过程建模离散事件流，可实现事件预测，包括缺失数据情况下的预测。

    Dec, 2016

  • 基于概率模型的医院电子健康记录顺序推理

    在动态医院环境中，决策支持是提高患者结果的有价值工具，本研究设计了一个概率无监督模型用于医院电子病历数据中包含的多个任意长度的序列，包括诊断、实验室检查、神经评估和药物，通过推断算法可以预测序列的长度和特定值的出现。

    Mar, 2024

  • 利用非规则多模态电子病历建模改进医疗预测

    本论文通过手工建模和学习内插嵌入，采用分离机制建模不规则的时间序列；采用时间注意力机制，将临床记录的一系列表示为多元不规则时间序列，并采用交织注意机制跨时间步骤进行多模态融合，以整合多模态表示。结果表明，我们提出的方法在单一模态和多模态情景下都优于现有方法，说明了我们方法的有效性和模拟不规则性的价值。

    Oct, 2022

  • 参数较差的 ε 边界闭式稳定化霍克斯过程

    本文介绍了如何利用稳定化过程改进最大似然估计的性能，以更好地建模离散事件在连续时间事件流中的相互作用，从而提高传统方法在多序列数据上的表现。

    May, 2021