Aug, 2017

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

PDF
TL;DR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。
sepsisearly detectionmulti-output gaussian processesdeep recurrent neural networkreal-time validation scheme
发现论文，激发创造
  • 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

  • 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

  • 利用深度学习技术对电子健康记录事件序列进行早期感染性休克检测

    本研究提出一种基于深度学习方法的感染监测系统：该系统利用电子病历等数据预测感染发生的可能性并辅以早期干预以提高为病人争取更多时间，其性能表现在 AUROC 值为 0.856，可在感染发生前三小时预测。

    Jun, 2019

  • 应用 Transformer 集成生理时间序列和临床记录进行早期脓毒症预测

    本篇研究提出了一种基于多模态 Transformer 模型的早期脓毒症预测方法，使用每位患者在 ICU 入院后 36 小时内的生理时间序列数据和临床笔记，仅利用前 12、18、24、30 和 36 小时的实验室指标、生命体征、患者特征和临床笔记进行预测。在 MIMIC-III 和 eICU-CRD 两个大型重症监护数据集上评估了我们的模型，结果证明我们的方法在所有指标上优于竞争基线。

    Mar, 2022

  • 临床环境下脓毒症发作的早期预测

    采用机器学习模型来预测感染性休克的早期发生，利用来自纽约布朗克斯 Montefiore 医疗中心的非身份识别的临床数据。

    Feb, 2024

  • ICU 中脓毒症患者的生命体征预测

    利用深度学习架构进行多步预测系统，用于在重症监护病房中预测感染性休克发展的生命指标，从而在医疗决策中提供准确的预测信息，以改善病患护理和结果。

    Nov, 2023

  • 可解释的生命体征预测与模型无关的注意力图

    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

  • 早期脓毒症预测的多子集方法

    利用机器学习和多子集方法进行感染性休克早期预测可缩短预测时间，并以时变趋势特征进一步改进早期预测的性能。

    Apr, 2023

  • NPRL: ICU 创伤患者早期脓毒症发病预测之夜间档案表征学习

    本文提出了一种实现在医学设施内部署的早期预测严重感染的方法，使用机器学习与深度学习方法，研究人员还提出了夜间患者个体风险特征向量的学习方法，通过实验验证了该方法的有效性。

    Apr, 2023

  • 强化学习顺序决策治疗脓毒症：具有死亡分类器和转换器的 POSNEGDM 框架

    这篇论文介绍了一种名为 POSNEGDM 的强化学习框架，利用创新的基于 Transformer 的模型和反馈强化器，结合考虑个体患者特征的专家行动复制，提高感染性休克治疗的生存率达到 97.39%。该框架显著改善了患者的生存情况，超过现有的机器学习算法 (包括 Decision Transformer 和行为克隆)，其生存率分别为 33.4% 和 43.5%。该方法为改善感染性休克治疗结果提供了一个有前景的途径，有助于提高患者护理质量并降低医疗费用。

    Mar, 2024