AAAIJun, 2018

高斯过程混合效应深度模型：基于个性化和可靠的医疗预测

PDF
TL;DR我们提出了一个针对医疗保健的个性化和可靠的预测模型，可以提供个性化的诊断、治疗和预防等医疗服务。该模型利用深度神经网络学习众多病人的复杂全局趋势，并利用高斯过程对每个病人的个性化时间序列进行概率建模，从而比标准时间序列深度模型如纯循环神经网络（RNN）具有更实用的优势。
healthcareprediction modeltime-series dataelectronic health recordsdeep neural network
发现论文，激发创造
  • 用于医学时间序列预测的稀疏多输出高斯过程

    本文提出了一种基于泊松过程的贝叶斯非参数模型（MedGP），将临床协变量和实验室协变量与病人之间的关联进行了推断和利用，实现对病人状态的高质量推断并实时预测，与现有方法相比，该方法不需要时间序列数据的对齐，具有更好的结果，该方法应用于不同疾病亚组和研究中，为近一半的协变量实现了精确预测。

    Mar, 2017

  • 利用高斯过程的深度因素进行预测

    本文提出了一种结合了经典时间序列模型和深度神经网络优点的数据驱动和可扩展的混合模型，通过潜在的全局深层次组件和局部的经典高斯过程模型来处理不确定性，并在实践中展示了比现有技术更高的准确性。

    Nov, 2018

  • 使用多任务高斯过程进行个性化治疗效应的贝叶斯推断

    基于电子病历的丰富性，本研究提出了一种基于多任务学习的方法来推断个性化治疗效果，使用非参数贝叶斯方法来学习治疗效果，同时提供置信度的点间可信区间，以实现精准医学，并证明该方法在早产儿干预社会计划和舒张期心脏病患者左心室辅助装置中明显优于现有技术。

    Apr, 2017

  • 可扩展和准确的电子健康记录深度学习

    使用电子健康记录进行循证医学和准确预测，通过 Fast Healthcare Interoperability Resources (FHIR) 格式表示病人的原始病历记录，并使用深度学习方法进行多中心的多个医疗事件预测，包括住院死亡率、未经计划的 30 天再入院率、医院停留时间延长、所有患者的最终出院诊断等。

    Jan, 2018

  • 个性化高斯过程预测阿尔茨海默病进展

    本文介绍了使用个性化高斯过程模型（pGP）来预测阿尔茨海默病（Alzheimer's Disease）进展（MMSE、ADAS-Cog13、CDRSB 和 CS）关键指标的方法，并表明该新方法与传统高斯过程的人口建模相比，在预测未来临床状态和认知得分方面具有显著改进。

    Dec, 2017

  • 使用具有高斯过程的潜在力模型研究药物的病人特异性效应

    本研究提出了一种基于多元高斯过程的模型，该模型将包含因特定治疗措施而产生的生理变化的隐式力模型与反映病人生理特征的高斯过程卷积起来，从而能够较准确地预测病人对治疗措施的生理响应。

    Jun, 2019

  • 利用生成对抗网络提高电子病历深度学习风险预测的性能

    本研究提出了一种基于深度半监督学习框架的 ehrGAN 模型来增强由限制的 Electronic Health Records 数据引发的风险预测绩效，并在两个真实的卫生健康数据集上的实验证明该模型可以产生逼真的数据样本，并且在生成数据的分类任务中，该模型较其他基线方法取得了更显著的改进。

    Sep, 2017

  • 疾病进展的时间相关概率生成模型

    医疗记录的时间序列中，通过使用马尔可夫生成模型来建模不规则的时间间隔，将临床治疗的子类型和疾病进展模式从数据中恢复和准确建模。

    Nov, 2023

  • 预测扩散模型综合多模态电子健康记录

    通过引入基于扩散的 EHR 数据生成模型 EHRPD 来解决电子健康记录数据生成中存在的局限性，并从真实性、隐私性和实用性的角度对其进行实验验证。

    Jun, 2024

  • 使用电子医疗记录的患者诊断预测深度学习管道

    机器学习在疾病诊断和决策方面的应用正变得越来越流行。本文开发了一种 Python 包，将公共卫生数据集转换为易于访问的通用格式，以便于构建有用的疾病诊断预测系统，并提出了两种新的模型架构进行疾病诊断多类别预测，一种使用结构化数字数据，另一种结合自然语言处理方法和可解释的可视化。这些模型都能够高准确度地预测多种诊断。

    Jun, 2020