Mar, 2018

应急科室患者分诊的深度关注模型

PDF
TL;DR本研究提出了一种基于注意力机制的深度学习模型，可使用紧急科室病人的连续和规范数据以及医疗文本数据来预测病人所需的资源，从而提高排队模式的准确性和可靠性
emergency departmenttriagedeep learningresource allocationattention mechanism
发现论文，激发创造
  • 利用图神经网络支持患者的自动分诊

    利用人工智能开发的算法对急诊科患者进行分级，使用急诊科历史数据培训医疗决策流程，并根据患者的关键信息准确分类患者，实验结果表明该算法在精确性方面优于传统的分级方法，从而帮助医疗专业人员预测重症指数以指导患者管理和资源分配。

    Mar, 2024

  • 使用深度注意力神经网络进行患者风险评估和警告症状检测

    本文介绍了一种实际上应用的病人分流系统的操作组件。通过对德文医生笔记的学习，使用了一种基于注意力机制的卷积神经网络模型，实现了对病人紧急性的评估和提供了最恰当的医疗建议以及时间。此外，一种检测警告症状的方法也被介绍。

    Sep, 2018

  • 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

  • 自动提取医疗对话中的信息：专家系统和注意力标注

    本文提出了一种基于专家系统和注意力的模型（ESAL），使用混合专家和预训练 BERT 来识别不同类别的医学对话中的语义，能够融合它们之间的差异，并将其应用于公共数据集的实验结果表明，ESAL 显著改善了医学信息分类的性能。

    Nov, 2022

  • BERT-based 小数据关注模型及其应用于自动患者信息分类

    本研究提出了一种基于 BioBERT 的新框架，其中引入了一种用于自我关注的标签嵌入技术以及使用较小变体对 BERT 进行精简以减少过拟合和模型大小，应用于患者信息分类，证明了在处理医疗保健领域中的小数据集时，与传统分类器相比，能够实现更高的分类性能 .

    Jun, 2020

  • 改进患者分诊的一种新型网络科学算法

    该研究论文介绍了一种新颖的基于人工智能算法的病人分诊方法。通过分析病人数据决定其优先级，该算法能够准确地将病人分类为相应的分诊类别，并在实验中表现出较高的准确性和性能，相较于传统的分诊方法具有更高的效率、准确性和一致性，从而优化资源配置并提升医疗卫生服务的质量和病人的治疗效果。

    Oct, 2023

  • 使用注意力机制解释基于电子病历的死亡风险预测任务：以出血性中风为例的案例研究

    使用解释性、基于注意力机制的变换器模型以及 Shapley 值和注意力得分对早期中风死亡风险进行预测，评估和解释模型的性能，提供特征重要性派生自模型。

    Aug, 2023

  • 使用机器学习和临床自然语言处理在急诊接诊时准确检测败血症

    研究以机器学习算法 (KATE) 为基础，与就诊数据进行综合，能够在急诊科中高准确度地诊断感染性休克，并且其在重症感染和感染性休克的诊断性能明显优于常用的诊断方案。

    Apr, 2022

  • ED-Copilot：运用语言模型诊断辅助降低急诊等待时间

    此研究论文旨在提供紧急科室（ED）临床医生诊断时的费效诊断协助，使用人工智能系统来提高诊断的时间效率和准确性，并使用已公开的患者数据开发了基准测试 MIMIC-ED-Assist 以评估 AI 系统在建议实验室检查方面的能力，同时最小化 ED 的等待时间和正确预测重要结果，研发的 ED-Copilot 通过使用预训练的生物医学语言模型编码患者信息和强化学习算法，较基准模型提高了预测准确性，并将平均等待时间从四个小时减少到两个小时。

    Feb, 2024

  • 临床笔记的注意力分析用于预测任务

    本研究使用两个电子病历文本库和四个预测任务，探索了注意机制在神经模型中的作用，发现注意机制的加入有望提高模型性能，但对预测的支持意义尚不明确。

    Apr, 2019