深度学习关注 ICU 中的风险
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
在重症监护室(ICU)中,多元时间序列的丰富性为机器学习提供了改进患者表型刻画的机会。与以往主要关注电子健康记录(EHR)的研究不同,本文提出了一种使用常规收集的生理时间序列数据进行表型刻画的机器学习方法。我们的新算法将长短期记忆(LSTM)网络与协同过滤的概念相结合,识别出患者之间共同的生理状态。在实际世界的 ICU 临床数据中测试,我们的方法在脑损伤患者颅内高压(IH)检测方面取得了 0.889 的曲线下面积(AUC)和 0.725 的平均精度(AP)。此外,我们的算法在学习生理信号的结构化潜在表示方面优于自编码器。这些发现突显了我们方法在利用常规多元时间序列改善临床护理实践的患者表型刻画方面的巨大潜力。
Feb, 2024
在重症监护室内,包括临床测量和临床笔记在内的丰富患者数据可供利用,但其分析也面临许多挑战。本研究提出了一种新颖的方法,利用自我监督预训练来解决深度学习模型在重症监护中的标注数据不足问题,并在数据有限的情况下,在院内死亡预测和表型预测等下游任务中优于基线模型,突显其提升重症监护室数据分析能力。
Dec, 2023
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
该研究通过结合深度学习模型和注意力机制的框架,提高其在预测败血症过程中的可解释性,从而支持临床决策。研究通过评估基于 eICU-CRD 数据集的模型在预测败血症患者生命体征方面的表现,并采用均方误差(MSE)和动态时间规整(DTW)度量来评估其性能,同时探索了 N-HiTS 和 N-BEATS 的注意力图,研究关键因素对生命体征预测的影响。
May, 2024
通过将医学领域的知识图谱与重症监护病房的数据进行整合,结合重要体征和临床报告,提高临床决策建模的性能,特别是在数据缺失时。同时包括一个可解释性组件,以了解知识图谱节点对预测的影响。
Nov, 2023
本文系统地检验了机器学习模型在临床预测任务方面的表现,尤其是在生理时间序列方面,并选择 Physionet 2019 挑战公共数据集来预测 ICU 单位脓毒症结局。比较了十个基准机器学习模型,包括三种深度学习方法和七种临床预测领域常用的非深度学习方法,使用了九个具有特定临床意义的评估指标来评估模型的表现。结果表明,深度学习的确优于非深度学习,但必须满足特定的条件才能达到更好的表现,这些条件包括使用特定的评估指标以及拥有足够规模的训练数据集。
Nov, 2022
本研究利用回溯检验提取的两个队列,发展了一种新的伪动态机器学习框架,用于重症监护病房的死亡预测,实现了可解释性和临床风险分析,并成功地结合了时间序列生理测量技术,从而能够提供时间分辨率的解释结果。
May, 2023
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
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