ICMLDec, 2020

深度半监督嵌入聚类（DSEC）用于对心力衰竭患者分层

PDF
TL;DR该研究介绍了一种基于半监督深度嵌入聚类算法的数据驱动患者亚组的确定方法，该方法利用电子健康记录中的标签信息确定病人亚组，并找到从异质数据中获得的与临床相关的簇，从而有潜力找到不同结果的未诊断患者的新亚组，从而带来改进的治疗。
phenotypeselectronic health recordssemi-supervised deep embedded clusteringpatient subgroupsheart failure
发现论文，激发创造
  • 电子健康记录的深度表征学习以解锁大规模患者分层

    利用基于深度学习的无监督框架从电子健康记录中提取患者表现，为下一代个体化医学提供指导。通过将病人轨迹转换为低维潜在向量来对 1,608,741 例患者的电子病历进行了综合分析，发现 ConvAE 可以生成导致临床有意义的见解的患者表示形式。

    Mar, 2020

  • 无监督深度嵌入聚类分析

    本文提出了一种同时学习特征表示和聚类分配的深度神经网络方法 —— 深度嵌入聚类（DEC），该方法可将数据空间映射到低维特征空间，并在此优化聚类目标函数，实验结果表明，DEC 在图像和文本语料库方面的表现显著超过现有的最先进方法。

    Nov, 2015

  • 改善患者护理的动态医疗嵌入

    提出了一种能够从医疗数据流中学习患者、医生、病房和药品异构动态嵌入的 DECENT 自动编码异构共同进化动态神经网络，可以提高诸如预测患者死亡风险、病情严重程度、医疗细节等医疗预测任务的性能。得到的结果显示，在患者死亡风险预测任务上，DECENT 的性能提升高达 48.1％以上。

    Mar, 2023

  • 利用医疗概念丰富无监督用户嵌入

    本研究提出了一种概念感知的无监督用户嵌入方法，结合来自 MIMIC-III 和 Diabetes 两个临床语料库的文本文档和医学概念，用于疾病诊断和病人特征研究等领域，实验证明该方法的性能明显优于现有的无监督方法。

    Mar, 2022

  • 心血管疾病多标签预测的半监督学习：多数据集研究

    提出一种多标记半监督学习模型 (ECGMatch) 来同时识别多种心血管疾病，包括心肌缺血、心室肥厚和心房颤动等，该方法通过神经网络模型结合众多技巧和模块，缓解了标签稀缺性、样本不均衡、未知数据上的性能问题，具有较高的鲁棒性和准确性。

    Jun, 2023

  • 深度嵌入解释疾病进展聚类

    本篇研究提出了一种新的深度嵌入解释方法用于患者聚类，以英国生物银行中的 2 型糖尿病参与者数据为评估标准，展示了对疾病进展模式的临床意义上有意义的见解。

    Jul, 2023

  • 利用深层预测聚类进行疾病进展的时间表型研究

    本文研究了对于电子健康记录中的时间序列医疗数据进行聚类的方法，发展了基于深度学习的方法，利用新的损失函数，以相似的未来结果进行聚类，超过现有的基准测试，提出了可制定具体行动的信息用于临床决策。

    Jun, 2020

  • 慢性病患者轨迹的数据驱动分组：以腰痛为例的证据

    通过混合隐马尔可夫模型对长期疾病患者轨迹进行亚群分组，从而实现个性化医疗，该模型在研究中表现出较常见基准的优势

    Apr, 2024

  • 由样本稳定性驱动的深度嵌入聚类

    通过样本稳定性驱动的深度嵌入聚类 (DECS) 算法，消除了对伪目标的需求，并在五个数据集上展示了超越现有聚类方法的优越性能。

    Jan, 2024

  • 利用预训练和基于 Transformer 的 EHR 嵌入来表征阿尔茨海默氏病及相关痴呆症之间的异质性

    阿尔茨海默病是一种进展性的神经退行性疾病，全球有 5000 万人患病。尽管这是一种重大的健康负担，可用于治疗该疾病的方法有限，并且其根本原因仍然不明。我们使用无监督学习技术对来自一组记忆障碍患者的电子健康记录进行特征化分析，以揭示该疾病人群的异质性。通过对医疗代码的预训练嵌入以及基于 Transformer 的临床 BERT 嵌入对患者电子健康记录进行编码，我们确认了亚群体的存在，并讨论了它们的临床意义。

    Mar, 2024