结合 LSTM 与潜在主题模型进行死亡率预测
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
本研究基于临床笔记的非结构化文本内容提出了一种自动死亡预测方案,通过卷积文档嵌入方法,相较于以往的潜在主题分布或通用的 doc2vec 嵌入方法,我们在 MIMIC-III 重症监护数据库上的实证研究表明获得了显著的性能提升,尤其是在术后死亡预测这一困难问题上。
Dec, 2016
本研究旨在探究如何利用医疗自然语言处理技术,将临床文本与结构化临床数据相结合,建立多模态神经网络模型,实现对重症监护室患者住院死亡风险的预测。研究结果显示,相较于基准模型,本模型的 AUC 值提高了 2%。
Nov, 2018
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
本文研究了如何将图神经网络与长短时记忆网络相结合,以更好地预测 COVID-19 疫情的发展情况,并在欧洲 37 个国家的数据中验证了该模型的有效性。同时,本研究还分析了其在政策制定中的重要应用及其对疫情资源控制的潜在影响。
Jul, 2021
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
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
本研究采用机器学习方法,结合各种测量指标,包括检验实验室检测结果等信息,使用 Long Short-Term Memory 和两种卷积神经网络,基于 298K 患者 8 年行政索赔数据中的 18 种常见实验室检测结果,对 133 种疾病风险进行预测,并通过数据实验结果对比分析表明,疾病预测方面基于深度学习的方法有很好的应用前景。
Aug, 2016
该研究提出了基于条件长短期记忆网络和分位数输出的预测模型 (condLSTM-Q),该模型在不同空间 - 时间尺度下能够准确预测 COVID-19 疫情的死亡人数。该模型的精细地理尺度可以帮助州级政府协调资源,同时其可扩展性和通用性也保证了其广泛适用性。
Nov, 2020
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