医疗领域基于辅助文本的协同图学习模型用于事件时间预测
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
利用深度学习的预测模型,基于电子病历(EHR),在医疗保健领域备受关注。我们提出了一种新颖的时间异构图模型,将病人的 EHR 建模成历史访问节点和医疗事件节点,并利用时间感知访问节点来捕捉患者健康状况的变化,同时通过将时间边特征、全局位置编码和局部结构编码整合到异构图卷积中,捕捉了时间和结构信息。通过对三个真实数据集进行广泛实验,我们证实了 TRANS 的有效性,结果表明我们提出的方法达到了最先进的性能。
May, 2024
使用动态疾病图中的转移函数构建全局疾病共现图,为多疾病组合提供上下文敏感的学习框架,从而在电子健康记录数据上实现有效的健康事件预测,取得了比现有技术更好的实验结果。
Dec, 2021
本文研究了基于深度学习技术的临床终点预测方法,提出了一种用于学习不同类型时间事件的联合表示的新模型,并在真实世界的临床数据上对死亡和异常实验室检测的预测任务进行了实验,证明了我们提出的方法的有效性。
Mar, 2018
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
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
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
使用命名实体识别和链接工具(即 MedCAT)对电子病历的自由文本部分进行结构化和组织,从而预测出一系列的未来医疗事件(最初是疾病),MedGPT 有效地处理了噪声和额外细粒度, 并在 King's College Hospital 的真实世界医院数据上表现出色。
Jul, 2021
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
本文提出了一种从医疗电子健康系统中提取伴随临床记录的方法,并使用这些数据综合研究了不同模型和数据利用方法对于更好的医疗任务预测的影响。结果表明,我们的融合模型优于不包含临床记录的最新方法,这证明了我们的融合方法的重要性和临床注意点特征的价值。
Oct, 2021