AAAIJan, 2021

通过拓扑分析从临床表型推断 COVID-19 生物途径

PDF
TL;DR本研究提出了一种基于拓扑属性的流程来帮助医生分析 COVID-19 临床记录，可以提取有意义的路径。该流程包括三个步骤：1）预处理临床记录以提取重要概念，2）构建患者的特征空间以表征提取的概念，最后，3）利用拓扑特性提取可用知识并可视化结果。实验结果证明，该流程能够提取有意义的路径。
covid-19medical recordsautomated systemstopological propertiespathways
发现论文，激发创造
  • 基于复杂网络的患者路径建模与挖掘框架

    提出了一个基于多方面图的路径模型，一种考虑流逝时间的新的路径相似度度量，以及一种基于传统中心性度量的路径挖掘方法，通过评估妊娠和糖尿病的病例，展示了该框架在发现类似路径、易于解释的表示以及根据多方面视角突出显示最重要模式方面的实用性。

    Sep, 2023

  • 人类相互作用体内疾病途径的大规模分析

    通过研究 519 个疾病路径的蛋白质互作网络结构，发现除了高阶网络结构外，单个疾病相关的蛋白数不形成单一的连通组件，使目前先进的疾病路径发现方法对于非连通性疾病路径表现出较差的性能，因此高阶网络结构提供了新方法发展的有前途方向。

    Dec, 2017

  • 基因组和临床数据的理论与数据驱动建模的流水线

    本文提出了一种通过将表型，环境和行为数据与基因组数据整合的流程，使用一种概率图模型来理解数据中特征之间的关系，并展示了该流程如何改善乳腺癌预测模型，提供一种生物学可解释性的视图。

    May, 2020

  • COVID-19 严重性解释和人口特征症状分类的贝叶斯网络和机器学习

    利用三阶段数据驱动方法，通过 COVID-19 症状和其内在人口变量的因果关系、相似性聚类和人口症状识别模型，揭示了病毒症状之间的关系，并为减轻病毒严重程度提供了见解。

    Jun, 2024

  • 探索临床笔记表型的替代特征提取流程

    通过使用 ScispaCy 从临床记录中提取常见疾病，训练各种监督学习模型来确定其与患者属性的相关性，并与 ClinicalBERT 和基于 LSTM 的方法进行比较，提出一种可作为现有方法的补充的替代方法。

    Oct, 2023

  • 使用过程挖掘分析医学数据：COVID-19 病例研究

    本文介绍了通过数据科学中的过程挖掘技术对 Uniklinik Aachen 医院 COVID-19 患者的医疗数据进行分析，以及成功实现 ICU 治疗模型的重建。

    Feb, 2022

  • 利用自然语言处理和结构化医疗数据对因 COVID-19 住院的患者进行表型分析

    比较了使用不同类型医疗记录中的数据 (包括结构化医疗记录和医生笔记) 建立的不同计算表型定义对诊断 COVID-19 住院患者的性能，同时利用回顾性数据分析评估了这些定义的有效性。结果表明，利用自然语言处理方法得到的医生笔记数据集较为有效，比单纯使用结构化医疗记录的数据集或两者结合的数据集效果更好，并且住院患者的诊断分类对患者总体结局指标的测定产生了显著影响。

    Feb, 2023

  • 基于图聚类算法的 Covid-19 数据集分析研究

    COVID-19 病毒引发的新冠疫情已成为世界性的灾害，研究表明 AI 和机器学习算法可以通过分析蛋白质相互作用和基于图的聚类算法来提供有关病毒的重要信息。

    Aug, 2023

  • 新冠病毒知识图谱：案例研究

    使用知识图谱、机器学习和深度学习等工具，分析 COVID-19 相关的 PubMed 数据集和 CORD-19 数据集，发现专家、生物实体，预测相关疾病、药物候选者、基因突变和相关化合物，从而帮助生物医学研究人员应对 COVID-19 大流行。

    Jul, 2020

  • 医学病理预测：系统综述和提出的方法

    本文分析和研究了使用最新技术（如大数据、人工智能、机器学习和深度学习）改善医疗保健的不同方法，提出了基于收集、预处理和聚类医疗数据的一般方法，以在可观的时间范围内预测最常见的病理。

    Apr, 2023