AAAIJun, 2019

利用图卷积转换器学习电子健康记录的图形结构

PDF
TL;DR本文研究如何在缺少信息的情况下，利用 Transformer 模型来学习电子健康记录的隐含结构，并提出了一种使用数据统计来指导结构学习过程的图卷积 Transformer 模型。实验表明，该模型在预测任务中比以往方法表现更好，可作为一种有效的 EHR 数据表示学习算法。
electronic health recordsgraphical structureprediction taskstransformer modelrepresentation learning algorithm
发现论文，激发创造
  • 使用时间图形表示对电子健康记录进行预测建模

    利用深度学习的预测模型，基于电子病历（EHR），在医疗保健领域备受关注。我们提出了一种新颖的时间异构图模型，将病人的 EHR 建模成历史访问节点和医疗事件节点，并利用时间感知访问节点来捕捉患者健康状况的变化，同时通过将时间边特征、全局位置编码和局部结构编码整合到异构图卷积中，捕捉了时间和结构信息。通过对三个真实数据集进行广泛实验，我们证实了 TRANS 的有效性，结果表明我们提出的方法达到了最先进的性能。

    May, 2024

  • 基于时间感知的异构图变换器与自适应注意力合并的健康事件预测

    通过利用电子健康记录 (EHR) 数据在医学领域的广泛应用，使用深度学习方法在疾病风险预测方面取得了早期成功。然而，现有研究对 EHR 数据的潜力未能充分利用，存在着许多关键问题，如融入疾病领域知识、异构学习疾病表示以及捕捉疾病进展的时间动态等。为了克服这些限制，本研究引入了一种新型的异构图学习模型，旨在融合疾病领域知识，阐明药物和疾病之间错综复杂的关系。该模型创新性地将时间数据融入到访问级嵌入中，并利用一个考虑时间的 Transformer 和自适应注意机制来生成患者表示。经过两个医疗数据集的评估，我们的方法在预测准确性和可解释性方面表现出显著提升，为个性化和主动式的医疗管理迈出了实质性的进展。

    Apr, 2024

  • 重新发现 CNN 在原始电子病历文本编码中的多功能性

    本文利用具有层级结构的卷积神经网络对电子健康记录进行编码，提高临床任务执行的性能和内存利用率，并通过广泛实验给出实际操作指南。

    Mar, 2023

  • 多模态转换器：将临床记录与结构化电子病历数据融合，可解释的住院死亡率预测

    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

  • 基于语义分解技术的大型语言模型在电子健康记录数据上的学习改进

    本文介绍了 H-BERT，该模型采用完整的图树扩展表示 EHR 中的医疗编码，提高了病患归属感的预测，并创建了相关但临床不同表型的患者的不同表示。

    Nov, 2022

  • 从基础到额外特征：超图变换器在电子病历上的预训练 - 微调平衡的临床预测

    我们提出了 HTP-Star，它利用超图结构和预训练再微调的框架来模拟电子健康记录数据，实现了额外特征的无缝集成，并设计了两种技术来增强模型的鲁棒性。通过在两个真实电子健康记录数据集上进行实验，我们证明了 HTP-Star 在基础特征和额外特征的病人之间取得了平衡，并一直优于各种基准模型。

    Jun, 2024

  • 基于归纳异构图卷积网络的在线疾病自诊断

    本研究提出了一种基于电子医疗记录的医疗保健图卷积网络（HealGCN），以为在线用户提供疾病自诊服务，并使用对称检索系统来处理临床信息稀缺以及为冷启动用户提供服务，该系统能够建立一个异构图，以针对疾病诊断提供更好的诊断精度。

    Sep, 2020

  • 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

  • 电子健康记录的基于概念的模型解释

    本研究扩展了 Concept Activation Vectors（TCAV）方法应用于时序数据，以实现在电子医疗记录中进行序列预测，并通过临床应用开放数据和合成数据进行了评估。

    Dec, 2020

  • 利用生成对抗网络提高电子病历深度学习风险预测的性能

    本研究提出了一种基于深度半监督学习框架的 ehrGAN 模型来增强由限制的 Electronic Health Records 数据引发的风险预测绩效，并在两个真实的卫生健康数据集上的实验证明该模型可以产生逼真的数据样本，并且在生成数据的分类任务中，该模型较其他基线方法取得了更显著的改进。

    Sep, 2017