ICMLJul, 2020

利用多任务门控循环单元从电子医疗记录预测心血管疾病的发病

PDF
TL;DR本研究提出了一种基于多任务循环神经网络和注意机制的方法，用于预测心血管事件。与标准的临床风险评估模型相比，该模型在预测中风和心肌梗死方面具有更好的性能，并且在短期内的预测效果可以通过使用多任务学习得到提升。同时，该研究还探讨了个体特征和注意力权重对于预测心血管事件的重要性，并证明了机器学习技术可以被应用于二级保健。
multi-task recurrent neural networkelectronic health recordscardiovascular eventsattention mechanismmachine learning
发现论文，激发创造
  • 电子健康记录中的医疗事件检测的双向循环神经网络

    本文研究了使用循环神经网络框架在电子病历中提取医疗事件和属性的序列标注任务，实验结果表明其优于传统的有监督机器学习模型，可应用于药物监管等医疗信息学领域。

    Jun, 2016

  • 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

  • 基于深度注意力网络的电子医疗记录高风险预测

    本研究提出了基于深度注意模型的高风险心血管疾病预测模型，对单纯的高血压患者病史序列进行预测，通过比较双向门控循环单元模型和一维卷积多层模型，实验结果表明该模型的分类精度优于传统模型，并且具有更好的性能表现。

    Nov, 2017

  • 大型语言模型引导的心电图双注意力网络用于心力衰竭风险预测

    用于心力衰竭风险预测的 ECG 网络模型基于 12 导联心电图数据，通过大型语言模型的预训练提高预测能力和透明度，为早期心力衰竭诊断和预防提供潜在的改进。

    Mar, 2024

  • 利用电子病历数据学习辨识高血压未受控病人风险

    发展机器学习模型来预测三个月内具有高血压风险的患者，并使用电子健康记录数据来训练和测试模型，结果表明逻辑回归模型的表现优于循环神经网络模型，这表明我们需要包括线性模型作为预测任务的强基准

    Jun, 2019

  • 深度电子病历：利用医疗记录进行慢性病预测

    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

  • 基于时间感知的异构图变换器与自适应注意力合并的健康事件预测

    通过利用电子健康记录 (EHR) 数据在医学领域的广泛应用，使用深度学习方法在疾病风险预测方面取得了早期成功。然而，现有研究对 EHR 数据的潜力未能充分利用，存在着许多关键问题，如融入疾病领域知识、异构学习疾病表示以及捕捉疾病进展的时间动态等。为了克服这些限制，本研究引入了一种新型的异构图学习模型，旨在融合疾病领域知识，阐明药物和疾病之间错综复杂的关系。该模型创新性地将时间数据融入到访问级嵌入中，并利用一个考虑时间的 Transformer 和自适应注意机制来生成患者表示。经过两个医疗数据集的评估，我们的方法在预测准确性和可解释性方面表现出显著提升，为个性化和主动式的医疗管理迈出了实质性的进展。

    Apr, 2024

  • 基于短时心电图和长时心率变异采样的多模态心力衰竭风险评估

    该研究论文提出了多模式方法，结合 30 秒的心电图记录和近似的长期心率变异性数据（HRV）来估计心衰住院风险。实验结果显示，在心衰风险评估方面，所提出的方法具有较高的模型性能，并在多个外部心电图数据集上展示了竞争性的区分力。通过在 Apple Watch 数据上的可迁移性测试，并在 myHeartScore 应用程序中实施该方法，能够提供成本效益高且易于获取的心衰风险评估，有助于心衰的预防和管理。

    Mar, 2024

  • 利用生成对抗网络提高电子病历深度学习风险预测的性能

    本研究提出了一种基于深度半监督学习框架的 ehrGAN 模型来增强由限制的 Electronic Health Records 数据引发的风险预测绩效，并在两个真实的卫生健康数据集上的实验证明该模型可以产生逼真的数据样本，并且在生成数据的分类任务中，该模型较其他基线方法取得了更显著的改进。

    Sep, 2017

  • 利用时间注意力网络模拟患者旅程数据中的长期依赖和短期相关性，进行健康预测

    本文提出使用带有四个模块的神经网络分析病人旅程的疾病预测。通过将时间间隔作为辅助信息，建立了前瞻式的病人旅程的潜在进展模式，其中短期相关性建模并贡献于病人旅程的本地先验生成，并在 MIMIC-III 数据集上展示了更高的预测准确性。

    Jul, 2022