Jul, 2019

MIMIC-Extract: 用于 MIMIC-III 的数据提取、预处理和表示流水线

PDF
TL;DR为了解决医疗机器学习中数据不一致和标准化处理框架缺失等难题，MIMIC-Extract 提供了一种开源管道，将公开可用的 MIMIC-III 数据库中的复杂健康记录数据转换为可以直接用于通用机器学习管道的数据帧，并展示了其在基准任务和基线结果中的实用性。
发现论文，激发创造
  • 使用 MIMIC-IV 进行基准测试：一种不规则、稀疏的临床时间序列数据集

    电子健康记录（EHR）与应用机器学习解决领域内的各种问题越来越受欢迎，而这一增长的研究领域也引发了对 EHR 可访问性的需求。本研究的目标是填补 MIMIC-IV 最新版本的 MIMIC 数据集的基准测试工作的不足，并提供一个详细的文献调查，对已经完成的 MIIMIC-III 研究进行评估。

    Jan, 2024

  • 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

  • Mimic-IV-ICD：一个新的极端多标签分类基准

    本文提出了一个基于 MIMIC-IV 公共电子病历数据集的 ICD 编码公共基准套件，使数据预处理标准化并建立全面的 ICD 编码基准数据集，加速未来研究中采用自动 ICD 编码的进展。

    Apr, 2023

  • MIMIC-IV 数据集上深度学习模型的可解释性和公平性评估

    该研究关注深度学习模型在医疗场景下的可解释性和公平性问题，以 MIMIC-IV 数据集为例，分析了预测模型的可解释性和预测公平性，并揭示了该数据集中存在的偏差和不平等对策。

    Feb, 2021

  • 医疗数据提取工具 MedPromptExtract：使用 NLP 和提示工程实现匿名化和高保真度自动数据提取

    医疗记录的无缝数字化面临一个主要障碍，即现有记录的互操作性不足。本论文提出了 MedPromptExtract，一种自动化工具，利用半监督学习、大型语言模型、自然语言处理和提示工程的组合，将非结构化的医疗记录转换为适合进一步分析的结构化数据。

    May, 2024

  • 评估机器学习在纵向电子医疗数据上的进展

    综合评估医疗机器学习的基准，提出一种基于医学信息志 (MIMIC-III) 的基准，让我们可以直接比较预测性能，并评估生存率、住院时间、表型和患者恶化任务的进展。我们发现，在这些任务上，尽管社区参与度高，但在过去的三年里，几乎没有真正显著的进展。通过我们的元分析，我们发现，深度递归模型的性能仅在某些任务上优于逻辑回归。最后综合这些结果，提出未来医学机器学习基准所需的理想特性。

    Oct, 2020

  • 基于 MIMIC 大型医疗数据集的深度学习模型对比

    本篇论文通过 MIMIC-III 数据集进行临床预测任务（如死亡率预测、住院时间预测以及 ICD-9 编码分组预测）的基准测试，结果表明，相较于基于机器学习模型和预测评分系统，深度学习模型在使用原始临床时间序列数据作为输入特征时有更好的表现。

    Oct, 2017

  • 支持医生研究活动的电子健康记录中疾病数据提取的系统建模

    利用电子病历数据进行研究活动，本研究旨在解决数据标准化问题，通过数据预处理、注释和转换等步骤将数据转化为标准格式，使用机器学习模型识别疾病并将其转化为 ICD-10 编码，该模型的准确率达到 81%、优于 MetaMap 的准确率 67%。

    Apr, 2024

  • MIMIC-III 和 MIMIC-IV 的自动医疗编码：一项关键评论和可复制性研究

    本文重现、比较和分析了最先进的自动医学编码机器学习模型。通过改进数据的采样和评估方法，我们的研究结果表明，在新的医学数据集 MIMIC-IV 上，使用正确的参数和配置，这些模型可以产生良好的效果。

    Apr, 2023

  • TAPER：基于时间的病人电子病历表示

    应用 Transformer 网络和 BERT 语言模型，将包含多种数据模式的电子病历编入一个统一矢量表示，从而实现了病人就诊数据的高效表示，这种方法在 MIMIC-III ICU 数据集上得到了出色的性能和可泛化性。

    Aug, 2019