如何利用多模态电子病历数据进行更好的医学预测?
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
本论文提出一个新型的多模态变压器,用于融合医疗记录数据和医生的述职记录来预测住院死亡率,并使用可视化方法展示关键的医疗记录和医疗数据特征,进而提高了诊断的可解释性和预测的精度。
Aug, 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
该研究提出了利用来自公开可用的激痛医学信息库(MIMIC-III)数据集的四个临床预测基准,旨在解决机器学习在医疗保健研究中缺乏公开可用基准数据集的问题。
Mar, 2017
我们提出了一种名为 AutoFM 的神经架构搜索(NAS)框架,用于自动搜索对多样输入模态和融合策略进行编码的最佳模型架构,并在真实世界的多模式 EHR 数据和预测任务上进行了彻底实验,结果表明我们的框架不仅在现有最先进的方法上实现了显著的性能改进,还有效地发现了有意义的网络架构。
Jan, 2024
现代电子健康记录(EHRs)通过顺序深度学习在个性化患者健康轨迹的跟踪方面拥有巨大的潜力,然而如何有效利用 EHRs 中的多个模态面临重大挑战,因为其复杂特性(如高维度、多模式、稀疏性、不同的记录频率和时间的不规则性)。为了应对医学时间序列中的稀疏性和时间间隔的不规则性,本文引入了一种新的多模态对比学习框架,重点关注医学时间序列和临床笔记。为了利用医学时间序列和临床笔记之间的相互关系,该框架配备了全局对比损失,将患者的多模态特征表示与相应的出院小结进行对齐。通过全局对比来学习区分性的多模态特征。在真实世界的 EHR 数据集上进行了大量实验,证明我们的框架在使用 UF 健康系统的多模态数据(来自 UF Health Gainesville、UF Health Jacksonville 和 UF Health Jacksonville-North 三家医院的 12 万多次大型住院手术)预测九种术后并发症发生的示例任务上优于现有方法。
Apr, 2024
该研究提出了一种新颖的多模态特征嵌入生成模型,并设计了一种多模态对比损失函数,通过联合分析结构化和非结构化数据的两种重要模态来捕获患者的完整病历,从而实现多模态电子健康记录特征表示学习并保护隐私。模拟研究结果表明,所提出的算法适用于多种配置,并且进一步验证了该算法在真实世界电子健康记录数据中的临床应用。
Mar, 2024
本研究提出了一种基于深度学习的框架,通过将病人路径从电子健康记录中编码成影像,突出显示路径影像中的重要事件,实现更复杂的预测并提高可解释性,其中使用了深度注意机制,并允许预测多个连续结果。
Mar, 2021