KDDJun, 2020

COMPOSE: 一种用于患者试验匹配的跨模态伪孪生网络

PDF
TL;DR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。
发现论文，激发创造
  • DeepEnroll: 利用深度嵌入和蕴含预测的患者试验匹配

    DeepEnroll 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%。

    Jan, 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

  • 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

  • sEHR-CE: 结构化电子病历语言建模，用于高效和可推广的患者队列扩展

    本文提出了一种基于 Transformers 的新型框架 sEHR-CE，可以在不需要映射的情况下，对异构临床数据集进行集成表型和分析。使用预训练的语言模型来预测疾病表型的准确性高于非文本和单个术语方法，并且用 2 型糖尿病为例说明如何识别没有诊断但具有与患者相似临床特征的个体。

    Nov, 2022

  • 电子健康记录与笔记的多模态融合：利用超图和 LLM 集成结构与语义

    提出了一个名为 MINGLE 的新框架，通过融合结构和语义以有效地整合不同类型的 EHR 数据，从而提高预测性能。

    Feb, 2024

  • PRISM: 利用大型语言模型进行语义临床试验匹配的患者病历解读

    利用实际世界的电子健康记录，我们进行了第一次端到端的大规模实证评估，展示了大型语言模型在准确匹配患者和适当临床试验方面的能力。

    Apr, 2024

  • 基于医疗码为中心的多模态对比电子健康记录建模的层次正则化下次就诊诊断预测

    使用电子病历（EHR）来预测下次就诊诊断是医疗保健中的重要任务，为医疗服务提供者和患者制定主动的未来计划至关重要。然而，许多先前的研究没有充分解决 EHR 数据中固有的异质性和分层特征，不可避免地导致次优性能。为此，我们提出了 NECHO，一种新颖的以医学代码为中心的多模态对比 EHR 学习框架，具备分层正规化。首先，我们使用定制的网络设计和一对双模态对比损失来整合包括医学代码、人口统计和临床记录在内的多方面信息，这些信息都围绕着医学代码表示。我们还使用医学本体中的父级信息对特定于模态的编码器进行正规化，以学习 EHR 数据的层次结构。对 MIMIC-III 数据进行的一系列实验证明了我们方法的有效性。

    Jan, 2024

  • MEDBind：统一语言与多模式医疗数据嵌入

    通过联合心胸纵观文本（MEDBind）, 我们实现了心胸 X 射线（CXR）、心电图（ECG）和医疗文本的联合嵌入，并通过模态 - 文本对的对比损失函数 Edge-Modality Contrastive Loss 实现了 CXR、ECG 和文本的统一嵌入空间，这一无缝整合通过将 CXR 和 ECG 嵌入直接集成到一个大型语言模型中以实现多模态提示调优，优化了下游任务的性能。

    Mar, 2024

  • 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

  • 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