SIGIRDec, 2021

通过知识图谱增强的多视图图卷积从医疗文本预测患者再入院风险

PDF
TL;DR本研究提出一种新的方法，使用电子健康记录（EHR）的医疗文本，通过多视图图表和图卷积网络对患者出院小结进行表征学习，以预测重返重症监护病房的风险，获得了最优的预测效果。
intensive care unitreadmission riskelectronic health recordsmultiview graphsgraph convolutional networks
发现论文，激发创造
  • 知识图谱表示用于强化重症监护时间序列预测

    通过将医学领域的知识图谱与重症监护病房的数据进行整合，结合重要体征和临床报告，提高临床决策建模的性能，特别是在数据缺失时。同时包括一个可解释性组件，以了解知识图谱节点对预测的影响。

    Nov, 2023

  • 可解释机器学习在 ICU 复诊预测中的应用

    通过标准化和可解释的机器学习流程，该研究在多中心数据库上建模和预测了患者再次入院，使用随机森林分类模型获得了高达 0.7 的预测性能，并提供了对生命体征、血液检查、人口统计学信息和 ICU 相关变量等方面的有见地的结果，对临床医生的决策提供了宝贵的信息。

    Sep, 2023

  • 超图卷积网络用于精细化 ICU 病人相似性分析和风险预测

    我们提出了一种新颖的超图卷积网络，可以捕捉隐藏的特征结构，计算个性化的死亡风险预测，评估表明我们的方法在死亡风险预测上优于现有模型，并且几个案例研究的结果证明了构建图网络在决策中提供良好的透明性和稳健性。

    Aug, 2023

  • 重症监护病房非计划性再入院预测：一种多模态评估

    通过使用最先进的机器学习方法和自然语言处理，我们检验了每种数据类型的有效性和它们组合起来的影响，以预测 ICU 患者的再次入院情况，并且在这个数据集上建立了未计划再次入院的分类等级，最终发现医生写的出院记录比其他数据类型更能够预测再次入院的情况。

    May, 2023

  • 基于电子健康记录的可解释深度学习框架用于预测医院再入院情况

    通过利用患者电子健康记录中有用的信息和新颖可解释的深度学习框架，该研究致力于预测意外住院并提高预测结果的解释性，从而减少医院成本和改善患者健康。

    Oct, 2023

  • 使用图表示学习预测患者结果

    该研究提出了一种将 LSTM 和图神经网络结合使用的模型，通过利用救治过程中患者之间的关联信息，实现了对患者预后的精确预测，表现出比 LSTM 单独使用更好的效果。

    Jan, 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

  • 用神经文档嵌入对重症监护病房患者死亡风险进行预测

    本研究基于临床笔记的非结构化文本内容提出了一种自动死亡预测方案，通过卷积文档嵌入方法，相较于以往的潜在主题分布或通用的 doc2vec 嵌入方法，我们在 MIMIC-III 重症监护数据库上的实证研究表明获得了显著的性能提升，尤其是在术后死亡预测这一困难问题上。

    Dec, 2016

  • 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

  • 利用非规则多模态电子病历建模改进医疗预测

    本论文通过手工建模和学习内插嵌入，采用分离机制建模不规则的时间序列；采用时间注意力机制，将临床记录的一系列表示为多元不规则时间序列，并采用交织注意机制跨时间步骤进行多模态融合，以整合多模态表示。结果表明，我们提出的方法在单一模态和多模态情景下都优于现有方法，说明了我们方法的有效性和模拟不规则性的价值。

    Oct, 2022