基于机器学习的个体健康 - 疾病相图用于疾病预防
提出了一种基于层级潜在变量模型的个性化医学方法,该方法能够预测个体疾病过程,提高诊疗效果。将疾病程度描述为连续值,连续时间函数,分享不同粒度观测间的统计力量,使用离线参数学习算法和在线参数学习程序,对硬皮病引起的间质性肺病的疾病过程进行预测,并与现有方法进行比较,获得了显著改进。
Jan, 2016
提出了一种层次时间序列模型,该模型可发现多种疾病进展动态,可用于帕金森病患者的临床评估和处方药物,并在合成数据集和帕金森病的现实临床数据中得到了证明。
Jul, 2022
通过应用个性化医疗疾病预测(PoMP),该研究利用患者的健康叙述和人口统计信息来预测疾病,使患者能够更清楚地了解自己的状况,去寻找合适的医疗专家,从而减少寻找合适医生的时间和导航医疗沟通的成本。
May, 2024
通过将个性化 POD 风险预测的监督学习与无监督聚类技术相结合,我们提出了一种方法,用于发现潜在的 POD 表型,从而增进我们对 POD 病因的理解并促进针对性的预防和治疗策略的开发。
May, 2024
本文研究了对于电子健康记录中的时间序列医疗数据进行聚类的方法,发展了基于深度学习的方法,利用新的损失函数,以相似的未来结果进行聚类,超过现有的基准测试,提出了可制定具体行动的信息用于临床决策。
Jun, 2020
基于医学影像的个性化医学,可以准确预测未来个体化临床疾病进展和治疗反应,对于长期、复杂、异质性的无法治愈的疾病(如多发性硬化症(MS))的医疗和药物开发具有巨大影响。本文提出了第一个用于建模疾病进展的连续时间因果框架,利用神经随机微分方程(NSDE)。该因果推断模型以患者的高维影像(MRI)和表格数据为输入,预测潜空间中不同治疗的真实和反事实进展轨迹。NSDE 允许估计高置信度的个性化轨迹和治疗效果。在多中心独家数据集上进行了大量实验,该数据集包括在多个随机临床试验中获得的患者 3D MRI 和临床数据。我们的结果展示了第一个基于不确定性的因果深度学习(DL)模型,可以准确预测未来患者的 MS 残疾发展(如 EDSS)和治疗效果,利用基线 MRI,并且可以发现在临床试验中没有达到临床终点的患者亚组,模型对他们的治疗反应具有高置信度。
Jun, 2024
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
提出了一种基于深度生成模型的注意力神经网络架构,对高维、纵向数据中的患者生物标志物进行建模,达到了可扩展和准确预测疾病进展的效果,同时在实际临床数据上提供了癌症进展动态的解释性见解。
Feb, 2021