Apr, 2022

使用机器学习和临床自然语言处理在急诊接诊时准确检测败血症

PDF
TL;DR研究以机器学习算法 (KATE) 为基础，与就诊数据进行综合，能够在急诊科中高准确度地诊断感染性休克，并且其在重症感染和感染性休克的诊断性能明显优于常用的诊断方案。
发现论文，激发创造
  • 临床环境下脓毒症发作的早期预测

    采用机器学习模型来预测感染性休克的早期发生，利用来自纽约布朗克斯 Montefiore 医疗中心的非身份识别的临床数据。

    Feb, 2024

  • 早期脓毒症预测的多子集方法

    利用机器学习和多子集方法进行感染性休克早期预测可缩短预测时间，并以时变趋势特征进一步改进早期预测的性能。

    Apr, 2023

  • 利用深度学习技术对电子健康记录事件序列进行早期感染性休克检测

    本研究提出一种基于深度学习方法的感染监测系统：该系统利用电子病历等数据预测感染发生的可能性并辅以早期干预以提高为病人争取更多时间，其性能表现在 AUROC 值为 0.856，可在感染发生前三小时预测。

    Jun, 2019

  • 复杂医学决策中人工智能人机协同的再思考：一项败血症诊断案例研究

    该研究旨在探讨 AI 系统的设计要求，以支持临床专家在早期诊断败血症方面做出更好的决策。通过对现有 AI 预测模块的基于医疗记录的电子健康档案系统的临床专家的形态学研究，该研究构建了 SepsisLab，通过 AI 算法预测败血症发展并可视化预测的不确定性，并提供减少不确定性的可行建议，从而展示了 SepsisLab 在人机协作方面的潜力，对未来的 AI 辅助败血症诊断和其他高风险医学决策具有重要意义。

    Sep, 2023

  • 机器学习诱发的脓毒症过度诊断的量化研究

    通过集成预测模型标签与簇医学轨迹的方法，本研究开发了一种创新的方法，可以在模型开发期间预测性的检测到潜在的过度诊断病例，以提供安全的计算机诊断工具使用指南。

    Jul, 2021

  • NPRL: ICU 创伤患者早期脓毒症发病预测之夜间档案表征学习

    本文提出了一种实现在医学设施内部署的早期预测严重感染的方法，使用机器学习与深度学习方法，研究人员还提出了夜间患者个体风险特征向量的学习方法，通过实验验证了该方法的有效性。

    Apr, 2023

  • 应用 Transformer 集成生理时间序列和临床记录进行早期脓毒症预测

    本篇研究提出了一种基于多模态 Transformer 模型的早期脓毒症预测方法，使用每位患者在 ICU 入院后 36 小时内的生理时间序列数据和临床笔记，仅利用前 12、18、24、30 和 36 小时的实验室指标、生命体征、患者特征和临床笔记进行预测。在 MIMIC-III 和 eICU-CRD 两个大型重症监护数据集上评估了我们的模型，结果证明我们的方法在所有指标上优于竞争基线。

    Mar, 2022

  • 将基于机器学习的早期败血症检测扩展到不同人群

    本研究使用公共 eICU-CRD 数据集和韩国圣玛丽医院的私人数据集，对 LightGBM 和 XGBoost 两种集成学习方法进行比较分析，发现这些方法在处理医疗数据不平衡和增强脓毒症检测方面的有效性。具体而言，LightGBM 在计算效率和可扩展性方面略胜一筹。该研究为机器学习在危重护理中的广泛应用铺平了道路，从而全球扩展了预测分析在医疗保健中的应用。

    Nov, 2023

  • 利用贝叶斯网络结构学习研究败血症潜在原因

    通过结合临床专业知识与基于评分、基于约束和混合结构学习算法，该研究研究了可能受政策决策影响的败血症潜在原因的潜在因果结构，并发现慢阻肺、酒精依赖和糖尿病等风险因素的存在会增加患者患败血症的可能性，从而对政策具有潜在影响。通过评估模型在预测败血症方面的能力，发现共识模型的预测准确度、敏感度和特异度均在 70% 左右，AUC 为 80%，说明该模型的因果结构在只使用可供委托目的的数据训练的情况下是相当准确的。

    Jun, 2024

  • 一种基于知识蒸馏的多变量临床时间序列中的感染性休克预测方法

    通过知识蒸馏和约束变分推断，我们使用一个高预测能力的 “教师” 神经网络模型来训练一个 “学生” 潜在变量模型，学习可解释的隐层表示，以实现对脓毒症预测结果的高准确性。

    Nov, 2023