本文提出了一种预测病历记录中病人的过去数据,包括人口统计学,检验,药物和过去的笔记,预测未来笔记内容的新型语言建模任务,并使用公开的、去个人化的 MIMIC-III 数据集训练生成模型。我们发现大部分笔记的内容都可以被预测,并且学习了许多常见的笔记模板。本文探讨了这样的模型如何在支持辅助笔记编写功能方面是有用的,比如错误检测和自动完成。
Aug, 2018
本文提出了一种从医疗电子健康系统中提取伴随临床记录的方法,并使用这些数据综合研究了不同模型和数据利用方法对于更好的医疗任务预测的影响。结果表明,我们的融合模型优于不包含临床记录的最新方法,这证明了我们的融合方法的重要性和临床注意点特征的价值。
Oct, 2021
本文提出了一种结合了结构化信息和文本医疗笔记的通用多任务框架,用于预测疾病发病率。与传统的基于文本的预测模型相比,我们的方法不需要特定于疾病的特征工程,并且可以处理存在于文本中的否定和数值。在 100 万名患者的队列中,我们的模型表明使用文本的模型优于仅使用结构化数据的模型,并且能够使用文本中的数值和否定,进一步提高预测性能。此外,我们比较了医疗专业人员用于解释模型预测的不同可视化方法。
通过利用电子病历审计日志,我们的工作在特定的临床背景和特定时间点上,将机器学习作为便签相关性的监督源进行概念化,以降低临床医生在记录过程中查找相关病史所需的努力。我们的评估集中在急诊部动态检索,这是一个具有独特信息检索和记录编写模式的高急症设置。我们展示了我们的方法在预测哪些便签将在个人记录会话中被阅读方面可以达到 0.963 的 AUC。此外,我们对数名临床医生进行了用户研究,发现我们的框架可以帮助临床医生更有效地检索相关信息。在这个要求高的环境中展示我们的框架和方法表现良好是一个有希望的概念验证,表明它们将适用于其他临床设置和数据模态(例如实验室、药物、影像)。
Aug, 2023
本研究基于 Transformers 预训练的语言表示学习方法,将特定医学记录中的信息提取,映射到标准词汇中,并在医院死亡预测任务中测试不同输入格式的性能,结果表明使用提取的唯一概念和标准名称作为输入可以获得更好的性能。
Jul, 2022
提出了一种预先训练的层级循环神经网络模型,通过解析最小处理的临床记录,比传统方法更好地处理了医疗信息技术中的出院诊断分类任务,并应用归因技术来确定模型用于进行预测的单词以及其重要性。
Sep, 2019
使用两项预测任务,即再入院预测和入院期间死亡预测,来表征医疗笔记中信息的价值,我们发现整体而言,医疗笔记仅在再入院预测中提供额外的预测能力。最后,我们证明,针对所选有价值的信息进行训练的模型可以实现更好的预测性能,而只使用 6.8%的所有标记即可实现。
Oct, 2020
本文提出了一种新颖的神经注意机制,采用了双注释数据集和深度学习模型来分类放射学头部计算机断层摄影报告,并使用注意力分析生成热力图以突出 CNN 模型使用的关键单词,证明该模型在医学决策等方面具有应用价值。
Aug, 2017
本论文提出一个新型的多模态变压器,用于融合医疗记录数据和医生的述职记录来预测住院死亡率,并使用可视化方法展示关键的医疗记录和医疗数据特征,进而提高了诊断的可解释性和预测的精度。
Aug, 2022
本文研究了临床神经预测模型中的不同注意力机制在区分度和校准性方面的表现,特别是将稀疏注意力作为在临床记录中预测住院病死率的替代方法,在公开数据集上表现出了优异的预测性能,并且在确定的相关指令词上更加注意力集中。然而,在句子选择上可能会出现问题。
Dec, 2022