Dec, 2018

重症监护病房患者预测模型的普适性

PDF
TL;DR本文研究了使用多种来源的数据，以 eICU 协作研究数据库为例，证明了交叉验证可以提供合理的模型性能估计，表明跨不同医院训练的单一模型具有很强的泛化能力，强调了数据共享可以优化模型的性能。
clinical datapredictive modelsmulti-center datasetseicu collaborative research databasedata sharing
发现论文，激发创造
  • 基于深度学习的 ICU 早期预警的普适性：一项回顾性实证评估

    本研究使用四个数据来源的数据，评估深度学习模型在不同医院的准确性，在模型性能方面，多数据来源模型表现相当，明确优化模型的方法并没有显著提高性能。

    Mar, 2023

  • 可解释机器学习在 ICU 复诊预测中的应用

    通过标准化和可解释的机器学习流程，该研究在多中心数据库上建模和预测了患者再次入院，使用随机森林分类模型获得了高达 0.7 的预测性能，并提供了对生命体征、血液检查、人口统计学信息和 ICU 相关变量等方面的有见地的结果，对临床医生的决策提供了宝贵的信息。

    Sep, 2023

  • 又一款 ICU 基准测试：用于临床机器学习的灵活多中心框架

    该研究介绍了一个名为 “YAIB” 的模块化框架，旨在为医疗保健机器学习领域定义可重复和可比较的实验，支持大部分开放获取的重症监护病房数据集，并为多个机器学习和深度学习模型提供透明的预处理管道和可扩展的训练代码。通过这个框架，作者发现数据集、分类定义和预处理工具对模型预测性能有着重要影响。

    Jun, 2023

  • 常规收集的多变量 ICU 生理信号中的共同潜在表示的协作学习

    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

  • 知识图谱表示用于强化重症监护时间序列预测

    通过将医学领域的知识图谱与重症监护病房的数据进行整合，结合重要体征和临床报告，提高临床决策建模的性能，特别是在数据缺失时。同时包括一个可解释性组件，以了解知识图谱节点对预测的影响。

    Nov, 2023

  • ICU 中不同患者人群的多任务学习任务

    提出了一个两步的框架，通过序列自动编码器无监督地学习相关病人子群并在多任务框架中对分开的病人群体进行预测，以提高住院死亡率的预测性能。需要更细粒度的绩效评估来处理异质人口。

    Jun, 2018

  • 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

  • 利用放射学报告和图像改善 ICU 死亡率预测的实证研究

    本文采用深度学习技术，以多模态数据为特征预测 ICU 死亡率，在 MIMIC-IV 数据集上进行验证，结果显示平均 C 指数为 0.7829，明显优于基线 SAPS-II 特征 (0.7470) 并证明了已预定义标签 (2.00%)、文本特征 (2.44%) 和影像特征 (2.82%) 的贡献。

    Jun, 2023

  • XMI-ICU: ICU 中心特定心脏病患者假动态死亡率可解释的机器学习预测模型

    本研究利用回溯检验提取的两个队列，发展了一种新的伪动态机器学习框架，用于重症监护病房的死亡预测，实现了可解释性和临床风险分析，并成功地结合了时间序列生理测量技术，从而能够提供时间分辨率的解释结果。

    May, 2023

  • 贝叶斯建模实践：利用不确定性提高医疗应用的可信度

    本文介绍了如何使用贝叶斯建模和预测不确定性来减少误判和检测出领域外的医疗样本，通过一个贝叶斯神经网络应用于 MIMIC-III 数据集，展示了它在 ICU 患者的死亡风险预测中防止潜在误差和可靠地确定领域外患者的作用，证明了贝叶斯预测不确定性在高风险环境下机器学习模型可靠性的重要性。

    Jun, 2019