Apr, 2019

使用电子健康记录进行医疗设备监测

PDF
TL;DR研究发现使用深度学习等机器学习方法，可以从病历记录中快速准确地提取植入物细节和报告医疗并发症和疼痛，以评估植入物的安全性和监测与之相关的患者结局，并找到不同类型植入物在术后并发症情况方面存在显著差异，这可以提供一种可扩展的方案用于国家医疗器械安全监测。
post-market medical device surveillanceelectronic health recordsmachine learningpatient outcomesimplants
发现论文，激发创造
  • 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

  • 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

  • 机器学习在健康领域的挑战与机遇综述

    该论文阐述了电子病历（EHR）提供数据以回答临床相关问题，EHR 中不完整的标签、供建多个基础病因的疾病和健康人群缺乏等问题给机器学习在临床应用中带来的挑战，并强调了机器学习在医疗保健中发挥作用的机会。

    Jun, 2018

  • 如何利用多模态电子病历数据进行更好的医学预测？

    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

  • 临床时间序列数据的多任务学习和基准测试

    该研究提出了利用来自公开可用的激痛医学信息库（MIMIC-III）数据集的四个临床预测基准，旨在解决机器学习在医疗保健研究中缺乏公开可用基准数据集的问题。

    Mar, 2017

  • Deep EHR: 近期深度学习技术应用于电子病历分析的研究综述

    本文回顾和分析了过去十年来电子病历存储数字化信息的激增，以及深度学习技术在医疗信息学上的应用。同时，作者也讨论了目前技术的不足之处，提出了 EHR 基于深度学习未来的研究方向。

    Jun, 2017

  • 深度电子病历：利用医疗记录进行慢性病预测

    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。

    Aug, 2018

  • 面向计算连续体的智能医疗分布式机器学习

    本文探讨了去中心化的分布式账本上机器学习模型对分布式电子个人健康档案进行知识提取的方法，并提出了一个设计概念，能够匿名进行预测性分析，结果表明可降低机器学习时间至 60％，一致性延迟低于 8 秒，适用于各个医疗机构。

    Jul, 2022

  • ChatFDA：医疗记录风险评估

    这项研究探索了一种应用程序，利用 openFDA 的数据来实时提供关于处方的有关信息，从而帮助护理人员评估医疗笔记中潜在风险，该工具有望在资源有限的环境中显著改善医疗结果。

    Dec, 2023

  • 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