Nov, 2019

ConCare: 通过捕捉医疗保健背景个性化的临床特征嵌入

PDF
TL;DR本文提出了 ConCare 方法来处理不规则的电子病历数据并提取特征之间的关系以进行个性化医疗预测。该方法模拟了时间感知分布，进一步通过跨头部去关联来改善多头自我关注，以有效捕获动态特征和静态基线信息之间的相互依赖关系以形成个人健康背景。实验结果表明 ConCare 的有效性，并且由医学专家和医学文献经验证实了 ConCare 提取的医学发现
electronic medical recordsdeep learninghealthcare predictiontime-aware distributionpersonal health context
发现论文，激发创造
  • 利用卷积神经网络和医疗特征嵌入进行风险预测

    本文探索使用深度神经网络模型以及学习的医疗特征嵌入（medical feature embedding）来处理从纵向电子病历数据中提取实用的临床表现（clinical representations）所面临的高维和时间性问题。作者在利用多层卷积神经网络（CNN）进行参数化时成功捕捉到了 EHR 纵向演变的复杂非线性关系，并在处理 EHR 的本地 / 短期时间依赖性上取得了良好的效果，对于失能心力和糖尿病患者的风险预测表现也优于基线模型。

    Jan, 2017

  • 具备时间感知的医疗概念嵌入

    本研究使用连续词袋模型和注意力机制以及加入时间信息的方法进行医疗代码嵌入，实验结果表明该方法明显优于五种现有的基准模型。

    Jun, 2018

  • DeepCare：一种用于预测医疗的深度动态记忆模型

    本文介绍了一种名为 DeepCare 的深度动态神经网络，用于预测医疗结果，其基于医疗记录建模，包括以往病史、当前病情以及将来的分析，表现出了良好的疾病进展建模、干预建议和风险预测的效果。

    Feb, 2016

  • 基于临床记录抽取的不同表征模型评估死亡率预测

    本研究基于 Transformers 预训练的语言表示学习方法，将特定医学记录中的信息提取，映射到标准词汇中，并在医院死亡预测任务中测试不同输入格式的性能，结果表明使用提取的唯一概念和标准名称作为输入可以获得更好的性能。

    Jul, 2022

  • 利用医疗概念丰富无监督用户嵌入

    本研究提出了一种概念感知的无监督用户嵌入方法，结合来自 MIMIC-III 和 Diabetes 两个临床语料库的文本文档和医学概念，用于疾病诊断和病人特征研究等领域，实验证明该方法的性能明显优于现有的无监督方法。

    Mar, 2022

  • 基于医学概念嵌入的深度架构衡量病人相似度

    本文提出了一个基于纵向病人电子健康记录 EHR 的病人相似性评估框架，结合卷积神经网络和医疗概念嵌入实现对病人临床记录的最优表示，进而提高了病人相似性的性能。

    Feb, 2019

  • FineEHR: 优化临床记录表示以提高死亡率预测

    本文提出了 FINEEHR 系统，采用度量学习和微调等两种表示学习技术来优化临床记录的嵌入，以提高预测准确性。使用 MIMIC III 数据集评估 FINEEHR 的表现，结果表明两种嵌入优化方法均能提高预测准确性，同时它们的组合给出了最好的结果，平均 AUC 为 96.04％，平均 AUC-PR 为 96.48％。

    Apr, 2023

  • 通过自适应特征提取和重新校准进行可解释的临床健康状况表示学习

    该项研究提出了一种 deep learning-based 的健康状态表示学习模型 AdaCare，能够在多个时间尺度上捕捉生物标志物的长期和短期变化，强化指示健康状态的特征，并提供有效的可解释性和高预测准确率，实验证明 AdaCare 胜过同类方法，通过临床专家验证的可解释性也很有效。

    Nov, 2019

  • 将复杂性嵌入数据表示而非模型：异质医学数据案例研究

    本文提出使用语义嵌入方法，将原始、杂乱的临床数据直接与下游学习架构耦合，以实现最小化预处理。我们从捕捉和编码数据表示中的复杂数据依赖性的角度考虑这一步骤，而不是在模型中实现，该方法允许使用快速，轻量级和简单的模型进行下游处理，对于没有机器学习专业知识的研究人员非常有用。我们通过三个典型的临床预测任务证明了高度压缩的嵌入数据表示捕获了大量有用的复杂性，尽管在某些情况下，压缩并非完全无损。

    Feb, 2018

  • 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