利用自由文本临床记录实现非结构化死亡率预测
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
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
本研究基于临床笔记的非结构化文本内容提出了一种自动死亡预测方案,通过卷积文档嵌入方法,相较于以往的潜在主题分布或通用的 doc2vec 嵌入方法,我们在 MIMIC-III 重症监护数据库上的实证研究表明获得了显著的性能提升,尤其是在术后死亡预测这一困难问题上。
Dec, 2016
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
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
本研究旨在探究如何利用医疗自然语言处理技术,将临床文本与结构化临床数据相结合,建立多模态神经网络模型,实现对重症监护室患者住院死亡风险的预测。研究结果显示,相较于基准模型,本模型的 AUC 值提高了 2%。
Nov, 2018
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
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
该研究旨在通过临床文本的预测,预防医生忽略潜在风险并帮助医院规划能力。使用语言模型分析预测诊断结果、手术、住院死亡率和住院时间。提出了临床结局预训练来整合多个公共来源的患者结局知识,并提出了一种将 ICD 编码层次结构纳入模型的简单方法,以提高模型的性能和可迁移性,同时也揭示了模型的一些缺陷。
Feb, 2021
结构化电子健康记录和非结构化临床叙述是诊疗过程中不可或缺的信息来源,我们进行的实证研究表明,从非结构化临床叙述中提取信息对于大多数诊疗应用来说是必不可少的。
Feb, 2015