Jan, 2020

DeepEnroll: 利用深度嵌入和蕴含预测的患者试验匹配

PDF
TL;DRDeepEnroll 是一种跨模态推理学习模型，通过在共享潜在空间中联合对招募标准和病人记录进行编码，以进行匹配推理，并通过数字信息嵌入和蕴含模块来进行推理。在真实世界的数据集上，DeepEnroll 表现优异，平均 F1 分数比最佳基线高 12.4%。
clinical trialspatient recruitmentelectronic health recordsenrollment criteriadeepenroll
发现论文，激发创造
  • 可解释的患者试验匹配：基于个性化动态树状记忆网络的方法

    通过基于临床试验的专家规则的个性化动态树状记忆网络模型 TREEMENT，我们提供了 accurate 和 interpretable 的基于个人化医疗记录数据和临床试验资格标准的患者试验匹配方法，并通过实证数据验证了其优越性和状态的一流性。

    Jul, 2023

  • 利用深度神经网络在癌症临床试验中学习资格

    本文旨在构建一个自动预测短临床语句是否被视为纳入或排除标准的模型，为此我们使用癌症临床试验协议训练词嵌入，构建了一个标记为合格或不合格的 6M 短文本数据集，并使用深度神经网络对文字分类器进行训练，结果表明，利用深度神经网络的表示学习从临床试验协议中提取医学知识可为医师开方治疗提供帮助。同时，我们还能够识别出一种肿瘤的等效治疗方法。

    Mar, 2018

  • COMPOSE: 一种用于患者试验匹配的跨模态伪孪生网络

    本文提出了一种名为 “COMPOSE” 的跨模态伪孪生网络，使用卷积高速网络对结构化的试验入选和排除标准进行编码，使用多粒度记忆网络对结构化的病人电子健康记录进行编码，并使用注意力机制和复合损失函数实现动态病人 - 试验匹配。COMPOSE 在真实环境中的病人 - 试验匹配任务中表现出 24.3％的性能提升，可以实现 98.0％的 AUC 和 83.7％的准确率。

    Jun, 2020

  • 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

  • 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

  • 使用实体抽取和神经重新排序有效地匹配患者与临床试验

    利用数据增强和以 Transformer 网络为基础的 检索重排技术，在临床试验中解决了招募病人问题，并取得了 15% 的精度提升，而 proposed re-ranking schema 即使训练数据较少也有良好的效果表现。

    Jul, 2023

  • 提高临床试验的患者招募效率：基于提示的学习模型应用

    应用基于提示的大型语言模型在临床试验中基于资格标准对患者进行分类的研究提供了有希望的分数，并提出了一种利用 SNOMED CT 本体论进行提取式摘要的方法，该方法也可以应用于其他医学文本。

    Apr, 2024

  • 医学术语嵌入的分层预训练

    这篇论文介绍了利用自然语言处理和表示学习生成医学术语的嵌入，以更好的预测临床决策和患者轨迹，提出了一个新的医学术语表示模型 HiPrBERT，并使用层次结构数据来训练和提高嵌入效果。

    Jul, 2023

  • 用于患者表征的深度规范化嵌入

    本文介绍了一种新的对比表示学习目标和训练方案，针对临床时间序列。该方法能将高维的医疗记录数据投影到低维的封闭单位球上，以编码几何先验，从而学习患者的死亡风险和器官功能，该方法可用于在线患者监测，并可提供临床医生的决策支持和改进下游机器学习任务的性能。

    Apr, 2022

  • 通过患者准则水平公平约束实现公正的患者试验匹配

    本研究提出了一种公平的患者 - 试验匹配框架，通过生成患者 - 标准级别公平性约束来解决一些敏感群体参与临床试验不足的公平性问题，实验证明该框架可以成功缓解倾向于带有偏见的预测。

    Mar, 2023