Apr, 2019

非规则医疗时间序列的时间聚类不变性

PDF
TL;DR本研究基于数据时间聚类的不变性，提出了分析多变量临床时间序列数据的模型以及一种数据扩充技术方案，用于规范化深度神经网络中医学预测任务，该方法以评估医疗预测任务为基准，提高了其预测精度。
electronic recordsclinical time series datatemporal clusteringdeep neural networkspredictive accuracy
发现论文，激发创造
  • 利用非规则多模态电子病历建模改进医疗预测

    本论文通过手工建模和学习内插嵌入，采用分离机制建模不规则的时间序列；采用时间注意力机制，将临床记录的一系列表示为多元不规则时间序列，并采用交织注意机制跨时间步骤进行多模态融合，以整合多模态表示。结果表明，我们提出的方法在单一模态和多模态情景下都优于现有方法，说明了我们方法的有效性和模拟不规则性的价值。

    Oct, 2022

  • 利用深层预测聚类进行疾病进展的时间表型研究

    本文研究了对于电子健康记录中的时间序列医疗数据进行聚类的方法，发展了基于深度学习的方法，利用新的损失函数，以相似的未来结果进行聚类，超过现有的基准测试，提出了可制定具体行动的信息用于临床决策。

    Jun, 2020

  • 具有时序不规则性的多元时间序列的概率学习

    提出了一种解决非均匀时间间隔和时间上的不对齐问题的概率预测模型，该模型通过允许观测时间成为模型构建的核心来克服现有方法的局限性，使用条件流表示来非参数地表示数据分布，并通过精心分解对数似然目标来监督该表示。

    Jun, 2023

  • 聚类间隔截尾时间序列以进行疾病表型划分

    本文提出了一种可以解决普通模型无法处理的区间数据，用于疾病表型聚类分析的深度生成模型，该模型在合成数据和真实世界的临床数据中取得准确，稳定和可解释性强的效果。

    Feb, 2021

  • 不规则采样的医学时间序列数据的深度学习方法综述

    本文综述了基于缺失数据和原始数据的深度学习方法在电子健康记录中的应用，总结了这些方法在数据恢复和下游任务方面的表现，并在四个医学数据集上比较了它们的效果。

    Oct, 2020

  • 多模态电子健康记录的动态嵌入和标记化的时间交叉注意力

    我们提出了一个动态嵌入和分词框架，通过学习多模态临床时间序列的时间感知表示，并结合时间交叉注意力，将其整合到滑动窗口关注的多任务 Transformer 分类器中，在预测超过 120,000 例住院手术的九种术后并发症的示例任务中，使用来自美国三家医院和两个学术医疗中心的多模态数据，我们的嵌入和分词框架优于基线方法。

    Mar, 2024

  • 基于 Toeplitz 反协方差的多元时间序列数据聚类

    本研究提出了一种基于 Toeplitz Inverse Covariance 的模型聚类方法，称为 TICC，通过马尔科夫随机场描述聚类中子序列中不同观测之间的相互依赖性，从而在同时分割和聚类时间序列数据的过程中实现了可扩展性且解释性更强的结果。

    Jun, 2017

  • 随机卷积核的时间序列聚类

    该论文介绍了一种基于随机卷积结构的时间序列聚类方法，通过自动化特征提取技术和聚类算法对时间序列进行分类，从而在时间序列聚类基准测试中取得了优异结果。

    May, 2023

  • 连接医疗设备的多变量时间序列聚类模型的比较研究

    在医疗保健领域，通过收集多变量时间序列的患者数据，可以全面了解患者的健康状况。在缺少标签的情况下，可以利用预测模型预测未来值，并且形成潜在的聚类空间。我们比较了两种模型（M AGMAC LUST 和 DGM2），通过使用 Withing 的数据集进行评估，前者聚类整个时间序列，而后者允许个体的群组归属随时间改变（即动态聚类）。

    Dec, 2023

  • 医疗保险索赔的时间性变化的大规模研究

    本文通过数据分析的方法，研究了机器学习模型在预测医疗结果时，由于时间的推移导致的数据分布漂移，通过算法进行了研究和验证，并得出了医疗领域临床结果的时间分布漂移的普遍存在性。

    May, 2023