ACLFeb, 2021

使用自我监督知识融合从入院记录中预测临床结果

PDF
TL;DR该研究旨在通过临床文本的预测，预防医生忽略潜在风险并帮助医院规划能力。使用语言模型分析预测诊断结果、手术、住院死亡率和住院时间。提出了临床结局预训练来整合多个公共来源的患者结局知识，并提出了一种将 ICD 编码层次结构纳入模型的简单方法，以提高模型的性能和可迁移性，同时也揭示了模型的一些缺陷。
发现论文，激发创造
  • 大型医院网络患者预后预测改善运营

    本研究使用机器学习算法基于患者数据预测患者短期和长期预后，以及病人的出院去向等重要临床结果，帮助医疗团队提升决策质量并实现有效的医院管理。实施该工具后平均每位患者住院时间减少了 0.67 天，每年可为医疗系统创造高达 5500 万至 7200 万美元的经济效益。

    May, 2023

  • 患者健康记录中临床笔记和 ICD 码的连续预测建模

    通过研究，我们发现在入院后两天就可以预测最终的 ICD 代码，并且我们提出了一种定制模型，能够在这一早期预测任务上提高性能。

    May, 2024

  • 利用聚合的大型语言模型集合保留长期临床文本的知识

    利用聚合集成的大型语言模型的新方法，能够保留长篇临床文本的知识，改善大型语言模型在处理长篇输入和多样化数据集时的性能，并在预测临床结果方面取得了比基线、集成和聚合方法更好的结果。

    Nov, 2023

  • 利用自由文本临床记录实现非结构化死亡率预测

    通过以未经过多次预处理的多个临床笔记为输入，在用于预测住院死亡时提高模型性能，这项研究揭示了未结构化数据在临床预测方法中的潜力和必要性。

    Nov, 2019

  • 医学时间序列和笔记的多模态预训练

    在重症监护室内，包括临床测量和临床笔记在内的丰富患者数据可供利用，但其分析也面临许多挑战。本研究提出了一种新颖的方法，利用自我监督预训练来解决深度学习模型在重症监护中的标注数据不足问题，并在数据有限的情况下，在院内死亡预测和表型预测等下游任务中优于基线模型，突显其提升重症监护室数据分析能力。

    Dec, 2023

  • 利用语言模型预训练改进临床病历的层级病人分类

    提出了一种预先训练的层级循环神经网络模型，通过解析最小处理的临床记录，比传统方法更好地处理了医疗信息技术中的出院诊断分类任务，并应用归因技术来确定模型用于进行预测的单词以及其重要性。

    Sep, 2019

  • 利用医学命名实体和多模态学习提高医院死亡率预测

    本研究旨在探究如何利用医疗自然语言处理技术，将临床文本与结构化临床数据相结合，建立多模态神经网络模型，实现对重症监护室患者住院死亡风险的预测。研究结果显示，相较于基准模型，本模型的 AUC 值提高了 2%。

    Nov, 2018

  • 基于 Hypernetwork 引导的多任务学习进行患者结果和零样本诊断预测

    提出了一种基于超网络的方法，使用任务条件参数和多任务预测模型的系数来学习任务特定的预测并平衡多任务学习，将语义任务信息合并到模型中，以解决多任务学习中的干扰和泛化问题，并在真实世界的 MIMIC 数据库上表现出比强基线更好的多任务病人结果预测性能，在限制信息场景及对未见过的诊断类别问题，也能有效地应对。

    Sep, 2021

  • 通过从临床文本中提取生物医学概念预测患者的再入院

    利用文本挖掘方法和患者电子档案中的出院报告文本进行患者再住院预测，本研究评估了各种机器学习模型在预测患者再住院过程中的效果，并比较了词袋法和概念词袋法两种方法，结果显示随机森林模型和概念词袋法在其他机器学习模型和方法中具有更高的效率，相比于在该领域使用机器学习模型的类似研究，本研究在预测患者再住院概率方面取得了最高分数，回忆率为 68.9%。

    Mar, 2024

  • 入院记录的卷积神经网络用于医学诊断

    本文针对采用电子病历的诊疗信息，提出卷积神经网络模型，从非结构化文本中丝毫不受噪声和复杂性影响地预测出患者的出院诊断，精确率和 F1 分数的性能均优于四个强基线模型，较常见疾病的预测成功率提高了至少 12.7% ，从而为医生诊断判断提供决策支持。

    Dec, 2017