先前住院期间血清肌酐测量之和预测再入院患者的急性肾损伤

NIPSDec, 2017

先前住院期间血清肌酐测量之和预测再入院患者的急性肾损伤

Sum of previous inpatient serum creatinine measurements predicts acute kidney injury in rehospitalized patients

Sam Weisenthal, Haofu Liao, Philip Ng, Martin Zand

TL;DR使用血清肌酐作为唯一特征，采用多层感知器和循环神经网络来估计住院期间发生急性肾损伤的风险。实验结果显示， MLP 模型处理 sCr 的总和具有最佳性能：AUROC 为 0.92，AUPRC 为 0.70。预计还需要通过改进网络架构来处理缺失的门诊数据。

Abstract

acute kidney injury (AKI), the abrupt decline in kidney function due to temporary or permanent injury, is associated with increased mortality, morbidity, length of stay, and hospital cost. Sometimes, simple interventions such as medication review or hydration can prevent AKI. There is

acute kidney injury serum creatinine multilayer perceptron recurrent neural networks risk estimation

发现论文，激发创造

非重症患者急性肾损伤预测：回顾性外部和内部验证研究

急性肾损伤（AKI）预测的深度学习与传统机器学习模型间的比较及其在不同医疗机构的性能验证。

Feb, 2024

在重症监护室通过整合药物特征提升急性肾损伤预测

这项研究通过使用病人处方数据作为模态性能提高急性肾损伤预测的现有模型的新方法，采用电子健康记录（EHR）数据提取相关病人处方信息，将其转化为所选药物表示法（扩展连接指纹）进行研究，并采用独特的多模态方法，应用于临床药物表示，建立了一个在预测急性肾损伤方面从未被任何研究所使用的程序。结果表明，通过将扩展连接指纹等药物特征与人口统计学和实验室检测值等常见队列特征结合起来，我们在急性肾损伤预测任务的模型性能中取得了明显的改善，超过了不包括药物表示作为特征的基线模型，这表明我们的独特方法增强了现有的基准技术，凸显了在重症监护设置中预测急性肾损伤中药物数据的相关性。

Jan, 2024

利用记忆网络在结构化和非结构化电子健康记录数据中识别急性肾损伤的亚表型

该研究使用记忆网络和深度学习的方法，利用患者在患急性肾损伤前的结构化和非结构化电子病历数据，发现了急性肾损伤的三个亚表型，这可以更好地理解这种疾病的病理生理学并制定更有针对性的临床干预措施。

Apr, 2019

使用索赔数据的机器学习动态预测慢性肾脏病患者透析治疗的发生

本研究利用机器学习模型，动态识别慢性肾脏疾病患者，预测其是否需要肾脏替代治疗，可提前至一年。在研究中，我们对近三百万医保受益人进行了超过八百万次预测，证明该模型可实现超过 90％的灵敏度和特异度。该研究为筛查患者并进行早期干预以改善肾脏替代治疗成果提供了基础。

Sep, 2022

AKI-BERT：一个用于急性肾损伤早期预测的预训练临床语言模型

本文旨在利用基于 BERT 的 AKI-BERT 模型进行早期预测，增加了 BERT 模型在疾病特定领域的应用，通过对 MIMIC-III 数据集的实验，证明了该模型在 AKI 早期预测方面的性能有所提高。

May, 2022

高风险心血管患者慢性肾脏病预测的可解释机器学习系统

开发了一个可解释的机器学习系统，用于预测有心血管风险的患者中的慢性肾脏病，在全球解释性框架、生物医学相关性和安全性评估等方面具有突出优势。

Apr, 2024

pyAKI - 一个自动 KDIGO 分类的开源解决方案

pyAKI 是一个开源、高精度的应用时间序列数据实现 Acute Kidney Injury（AKI）诊断 KDIGO 标准的解决方案。

Jan, 2024

自适应特征重要性校准的腹膜透析患者死亡率预测：基于真实世界纵向随访数据的深度学习研究

我们开发了一个即时、个性化和可解释的死亡预测模型 - AICare，该模型使用电子病历等随访数据，能够明确识别每个患者的关键特征，进而建立健康状态嵌入模型，并在包括腹膜透析和血液透析等临床数据预测任务中达到了良好的预测效果。

Jan, 2023

基于集成学习和可解释人工智能的 AI 驱动的慢性肾脏病早期预后预测分析方法

使用集成学习和可解释的人工智能来视觉化慢性肾脏疾病的主要特征、特征得分和价值，提高对该疾病早期预测和检测的准确性，为临床医生开处方推荐个体患者的生活方式改变以减缓疾病进展提供帮助。

Jun, 2024

药物安全监测的因果预测模型：万古霉素引起的急性肾损伤诊断

通过观察性数据，我们使用因果建模方法估计了患者住院期间药物不良事件的因果概率下界 (PC₋ₗₒw)，该方法包括目标试验仿真框架和使用机器学习估计个体化治疗效果的两个主要因果推理组成部分，并将我们的方法应用于临床上重要的用例 ——ICU 患者万古霉素诱发急性肾损伤，并将基于因果模型的因果概率下界估计与医学专家提供的定性概率估计进行比较，讨论了重要局限性和潜在改进，并得出结论：未来改进的因果模型可能为医院患者的药物安全监测提供必要的数据支持。

Nov, 2023