Oct, 2018

Patient2Vec：长期电子健康记录的个性化可解释深度表示

PDF
TL;DR本文提出了一种计算框架，称为 Patient2Vec，以学习可解释的深度纵向电子健康记录数据表达，并将其应用于实际患者信息以预测未来住院情况，该方法展现出明显的预测性能优势。
electronic health recordpatient2vecmachine learninglongitudinal datahospitalization prediction
发现论文，激发创造
  • Doctor2Vec: 临床试验招募的动态医生表示学习

    本文提出 doctor2vec，利用临床试验描述和分类信息以及医生从 EHR 数据中学习医生代表的动态记忆网络，为临床试验招募合适的医生提供了方法，实验证明其性能优于最佳基线，而 doctor2vec 嵌入式还可用于数据不足的情况。

    Nov, 2019

  • 医学概念的多层表示学习

    本研究提出了一种基于电子病历数据的的 Med2Vec 方法，通过学习医学代码和访问的分布式表示形式，利用序列访问顺序和访问内部代码的共现关系提供临床医生可验证的基础， 在关键医学应用中显示出与流行基线（如 Skip-gram、GloVe 和堆叠自动编码器）相比的显着改进。

    Feb, 2016

  • 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

  • TAPER：基于时间的病人电子病历表示

    应用 Transformer 网络和 BERT 语言模型，将包含多种数据模式的电子病历编入一个统一矢量表示，从而实现了病人就诊数据的高效表示，这种方法在 MIMIC-III ICU 数据集上得到了出色的性能和可泛化性。

    Aug, 2019

  • 电子健康记录的深度表征学习以解锁大规模患者分层

    利用基于深度学习的无监督框架从电子健康记录中提取患者表现，为下一代个体化医学提供指导。通过将病人轨迹转换为低维潜在向量来对 1,608,741 例患者的电子病历进行了综合分析，发现 ConvAE 可以生成导致临床有意义的见解的患者表示形式。

    Mar, 2020

  • 从电子健康记录中学习医疗概念表示，并在心力衰竭预测中应用

    本文提出了一种将电子健康记录中的医疗概念和患者转化为临床有意义的构建特征的基于数据驱动的方法，从而通过时间关系来学习医学概念的表示和病人向量，达到对诊断和治疗的性能优化。

    Feb, 2016

  • 基于医学概念嵌入的深度架构衡量病人相似度

    本文提出了一个基于纵向病人电子健康记录 EHR 的病人相似性评估框架，结合卷积神经网络和医疗概念嵌入实现对病人临床记录的最优表示，进而提高了病人相似性的性能。

    Feb, 2019

  • 电子健康记录预测建模的最新进展

    对基于电子健康记录数据的深度学习预测模型的最新进展进行系统综述，并讨论了预测建模在医疗保健中的挑战、基准和工具，以及未来研究的方向。

    Feb, 2024

  • Deep EHR Spotlight：一种突显电子健康记录中事件的框架和机制，用于可解释的预测

    本研究提出了一种基于深度学习的框架，通过将病人路径从电子健康记录中编码成影像，突出显示路径影像中的重要事件，实现更复杂的预测并提高可解释性，其中使用了深度注意机制，并允许预测多个连续结果。

    Mar, 2021

  • 基于电子健康记录的可解释深度学习框架用于预测医院再入院情况

    通过利用患者电子健康记录中有用的信息和新颖可解释的深度学习框架，该研究致力于预测意外住院并提高预测结果的解释性，从而减少医院成本和改善患者健康。

    Oct, 2023