Apr, 2022

多模态时空图神经网络在 30 天全因素住院再入院预测中的应用

PDF
TL;DR本研究提出的多模态、模态不可知时空图神经网络（MM-STGNN）结合了多模态病人纵向数据，用于预测 30 天内入院后出现的所有原因再次入院风险，并在两个独立中心的电子健康记录和胸部 X 光数据集中证明其预测效果优于现有的临床参考标准 LACE + 分数。
发现论文，激发创造
  • MuST: 医院再入院预测的多模态时空图卷积网络

    该研究提出了一种名为 MuST（多模式时空图转换器）的新型模型，通过使用图卷积网络和时间变换器，能够有效捕捉电子病历和胸部 X 射线照片中的时空依赖关系，并通过预先训练的领域特定变换器提取临床笔记的特征，进一步融合以上两种模态的时空特征。最新的公开数据集 MIMIC-IV 的实验结果表明，MuST 中多模态特征的引入改善了其性能，并且我们提出的流程在医院再入院预测方面优于目前的主流方法。

    Nov, 2023

  • 基于长短期记忆网络的医疗保险数据预测再入院率的进展

    利用保险数据，通过构建双向 LSTM 神经网络，本研究成功预测了医院的所有诊断病例中患者 30 天再次入院的风险。与随机森林分类器的结果相比，LSTM 模型的性能显著提高，证明了序列预测在该问题中的重要性。同时，加入了 30 天的历史数据后，模型的性能也有显著提高，提示历史诊疗记录的重要性。

    Jun, 2022

  • 神经网络与逻辑回归用于 30 天全因素再入院预测的比较

    使用大量行政索赔数据，我们比较了不同预测模型在预测心力衰竭出院后 30 天再入院率方面的效果，并发现使用神经网络模型加时间线数据可以提高预测性能，而逻辑回归和神经网络模型一样。

    Dec, 2018

  • 用于从 sMRI 和 PET 扫描早期诊断阿尔茨海默病的多模态图神经网络

    采用深度学习模型结合多模态数据进行阿尔茨海默病的早期诊断，通过图神经网络框架将结构和功能融合，提高诊断效果。

    Jul, 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

    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。

    Dec, 2021

  • MR-STGN：使用注意力融合的多重残差时空图网络用于患者动作评估

    基于多残差时空图网络的自动化病人行动评估方法，在捕捉病人行动时空动态特征的同时，通过集成注意力融合机制，实现对病人运动的准确评估，超越现有方法，在实时病人行动评分方面表现出色。

    Dec, 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

  • 可解释的医疗索赔建模（不仅是事后解释）以预防可避免的所有原因再入院或死亡

    使用 Bayesian 模型和医疗索赔数据构建了一个可解释的生存模型，预测患者出院后的复诊和死亡风险，除了提高准确度，还能够量化相关风险因素和出院前景。

    Aug, 2022

  • 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