使用电子医疗记录的患者诊断预测深度学习管道
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
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
本研究介绍了 BEHRT:一种深度神经序列转导模型,可用于 EHR(电子病历)的多任务预测和疾病轨迹映射,提供高精度的个性化疾病预测,并可通过其注意力机制提供疾病轨迹的个性化视角。
Jul, 2019
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
使用强化学习算法,通过电子病历来训练 Dueling DQN 算法和 Dueling Double DQN 算法,以优化临床诊断过程并对贫血及其亚型进行不同诊断。
May, 2023
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
本研究提出了一种基于深度学习的框架,通过将病人路径从电子健康记录中编码成影像,突出显示路径影像中的重要事件,实现更复杂的预测并提高可解释性,其中使用了深度注意机制,并允许预测多个连续结果。
Mar, 2021
在大数据和数字医疗领域,电子健康记录(EHR)已成为丰富信息的来源,具有改善患者护理和医学研究的潜力。近年来,机器学习模型不断增多,用于分析 EHR 数据以预测患者未来的健康状况。其中,一些研究主张采用多任务学习(MTL)来共同预测多种目标疾病,以提高预测性能,然而,目前针对 EHR 数据的 MTL 框架存在重要限制,因为它们过于依赖人为专家来识别任务组合以进行联合训练和设计模型架构。为了减少人工干预并改进框架设计,我们提出了一种名为 AutoDP 的自动化方法,它能够同时搜索任务组合和架构的最佳配置。为了解决任务组合和架构包含的庞大搜索空间,我们采用基于代理模型的优化,使我们能够高效地发现最优解。对真实世界的 EHR 数据的实验结果表明了提出的 AutoDP 框架的有效性。它在手工设计和自动化的最先进方法上取得了显著的性能改进,同时也保持了可行的搜索成本。
Mar, 2024
本文回顾和分析了过去十年来电子病历存储数字化信息的激增,以及深度学习技术在医疗信息学上的应用。同时,作者也讨论了目前技术的不足之处,提出了 EHR 基于深度学习未来的研究方向。
Jun, 2017