EMNLPOct, 2020

从临床文本中对多发性硬化症严重程度进行分类

PDF
TL;DR通过使用 MS-BERT 模型、MSBC 分类器和 Snorkel 来预测神经病学会诊记录中的 EDSS 分数和各项功能分数，本研究取得了最新的技术成果，并改善了以前仅使用 Word2Vec CNN 和基于规则的方法生成的模型的预测表现。
multiple sclerosisedssms-bertneurology consult notepredict scores
发现论文，激发创造
  • 利用多模态深度神经网络预测多发性硬化疾病的严重程度

    使用多模态电子病历数据和深度学习框架预测多发性硬化症疾病的严重程度；我们描述了一个基于结构化电子病历数据、神经影像和医学记录的多模态深度学习框架，相比使用单一模态数据的模型，该框架提高了高达 25% 的预测准确度；研究还提供了有关每个数据模态与硬化症疾病预测相关性的有用信号量的见解。

    Apr, 2023

  • 多发性硬化诊断及疾病演变的时间模型

    本文通过使用机器学习方法和患者报告的结果模型，构建了一个预测中枢神经系统退化疾病多发性硬化症的进展情况的方法。

    Dec, 2016

  • AD-BERT：使用预训练上下文嵌入技术预测轻度认知障碍进展为阿尔茨海默氏病

    该研究使用医疗电子记录中未结构化的临床笔记数据，采用基于 BERT 预训练模型的深度学习框架，预测从轻度认知障碍到阿尔茨海默症的疾病进展风险。

    Nov, 2022

  • 跨临床站点改进多发性硬化症病变分割：一种具有抗噪训练的联邦学习方法

    使用联邦学习框架中的标签修正策略，解决多发地点协作中数据隐私和标签噪声的问题，实现多发地点的合作，提高多发地点数据的可靠性，并在多发地点数据上进行广泛实验证明了方法的有效性和鲁棒性。

    Aug, 2023

  • 从临床对话中提取症状及其状态

    该研究开发了两种新型深度学习模型，基于医疗文本数据集，旨在从临床会话中提取症状信息，针对模型性能进行全面评估，为医疗提供辅助应用方向。

    Jun, 2019

  • 通过大型语言模型合成数据检测难治性抑郁的临床特征

    通过大型语言模型和 BERT 基于跨度抽取模型，能够提取和标记与难治性抑郁症相关的各种正面和负面因素的文本跨度，为未来医疗应用提供了希望。

    Feb, 2024

  • 解锁肌肉骨骼疾病风险因素：基于自然语言处理的分类与基于模型的排名

    该研究使用自然语言处理技术和模式排名方法，深入探讨了肌肉骨骼障碍（MSD）的风险因素。研究利用多个模型对风险因素进行分类，并使用调查数据进行综合排名，以揭示 MSD 风险因素的相对严重性。其中，在工作姿势、工作不安全性、努力回报不平衡以及员工设施不良等因素在 MSD 风险中扮演重要角色。通过这些研究结果，可以为有针对性的干预措施和改善工作环境提供有益的指导。

    Dec, 2023

  • 利用大型语言模型从临床记录中提取物质使用障碍的严重程度：一种零样本学习方法

    应用大型语言模型（LLMs）从临床记录中提取各种药物使用障碍（SUD）诊断的严重性相关信息的研究，展示 LLMs 在提取严重性信息方面的优越性，有助于改善 SUD 患者的风险评估和治疗计划。

    Mar, 2024

  • 在多诊断情境中自动分类神经精神疾病的语音和文本方法

    本研究比较了基于语音和文本特征的二元分类和多类分类模型在区分多种神经精神障碍时的表现，结果显示联合模型表现更佳，同时提出今后应该关注更具代表性的跨诊断数据集以及精细化的临床特征。

    Jan, 2023

  • 利用电子病历数据进行 5 年慢性病队列预测的大型多模态语言模型

    通过收集来自台湾医院数据库的五年电子健康记录，该研究提出了一个新颖的大型语言多模型（LLMMs）框架，将临床笔记和实验室检测结果的多模态数据结合起来预测慢性疾病风险，观察到将 clinicalBERT 和 PubMed-BERT 与注意力融合相结合可以在多类慢性疾病和糖尿病预测中达到 73% 的准确率，将实验室检测值转化为文本描述后，利用 Flan T-5 模型可以达到 76% 的 ROC 曲线下面积（AUROC），从而显著提高了糖尿病早期预测的准确性。

    Mar, 2024