Sep, 2022

医疗流程建模与符合性检查：一项 COVID-19 案例研究

PDF
TL;DR该论文基于德国 Aachen Uniklinik 医院的重症监护室的实际病例，通过过程挖掘技术开发了一种规范模型来代表 COVID-19 患者的临床治疗指南，并分析了来自医院信息系统的行为记录与该指南的一致性，该方法可以揭示出医疗过程中的主要偏差，为医生提供改进过程和确保服务质量和患者满意度的有用指示，并公开了该模型的 BPMN 文件。
发现论文，激发创造
  • 使用过程挖掘分析医学数据：COVID-19 病例研究

    本文介绍了通过数据科学中的过程挖掘技术对 Uniklinik Aachen 医院 COVID-19 患者的医疗数据进行分析，以及成功实现 ICU 治疗模型的重建。

    Feb, 2022

  • 临床治疗的声明性指南符合性检查：案例研究

    本研究使用基于规则的声明性检查方法，利用 Arden Syntax 标准检查医疗指南中的治疗案例，并使用手动对齐方法重构大部分医疗指南，以解决现有命令式检查方法难以解决的高变化、高动态和复杂的医疗过程问题。

    Sep, 2022

  • 心力衰竭患者治疗路径的过程感知分析：一个案例研究

    通过对稀疏心衰患者数据集进行处理挖掘和决策挖掘，本研究探讨了在医疗保健领域处理不同类型数据的各种挑战，并分析了患者心衰数据中与多个研究问题相关的信息增益和决策结果。

    Mar, 2024

  • 在线软一致性检查：任何视角都可以指示偏差

    本文提出了一种基于描述性模型的符合性检查方法，不仅能够离线地分析数据，还能够在线提供实时反馈，并且不依赖于过程控制流，可以基于工作交接的社交网络等其他角度进行分析。该方法在 ProM 中实现，经过将真实数据与合成数据进行的三次实验，得到了实验结果。

    Jan, 2022

  • 在保健流程中应用模型复杂度优化和循环状态识别扩展流程发现的研究

    为了更好的达到过程模型的符合度和简化度之间的平衡，本文提出一种半自动化的过程挖掘方法，包括模型简化方法和引入 meta-state 概念来减少模型复杂度，并以三个医疗领域的数据集为案例来说明该技术方案的应用和提供更好实践。

    Jun, 2022

  • 利用自然语言处理和结构化医疗数据对因 COVID-19 住院的患者进行表型分析

    比较了使用不同类型医疗记录中的数据 (包括结构化医疗记录和医生笔记) 建立的不同计算表型定义对诊断 COVID-19 住院患者的性能，同时利用回顾性数据分析评估了这些定义的有效性。结果表明，利用自然语言处理方法得到的医生笔记数据集较为有效，比单纯使用结构化医疗记录的数据集或两者结合的数据集效果更好，并且住院患者的诊断分类对患者总体结局指标的测定产生了显著影响。

    Feb, 2023

  • 通过拓扑分析从临床表型推断 COVID-19 生物途径

    本研究提出了一种基于拓扑属性的流程来帮助医生分析 COVID-19 临床记录，可以提取有意义的路径。该流程包括三个步骤：1）预处理临床记录以提取重要概念，2）构建患者的特征空间以表征提取的概念，最后，3）利用拓扑特性提取可用知识并可视化结果。实验结果证明，该流程能够提取有意义的路径。

    Jan, 2021

  • 重症监护作为一个大的序列建模问题

    在健康护理领域，强化学习通常涉及狭窄的自包含任务，如败血症预测或麻醉控制。然而，先前的研究已经证明了通用模型（最典型的例子是大型语言模型）由于其隐式迁移学习能力而能够胜过特定任务的方法。为了训练健康护理领域的基础模型并利用最先进的 Transformer 架构的能力，我们提出了 “健康护理作为序列建模” 的范式，其中患者与医疗服务提供者之间的交互被表示为一个事件流，而诊断和治疗选择等任务则被建模为预测流中未来事件的任务。为了实验探索这个范式，我们开发了一种名为 MIMIC-SEQ 的序列建模基准，通过将来自 MIMIC-IV 数据集的异构临床记录转化为统一的事件流格式进行训练，并研究其能力。

    Feb, 2024

  • 患者路径建模与挖掘：范围审视

    本综述旨在调查基于患者路径或轨迹的新型研究领域，重点关注路径的表示模型、挖掘技术、分析方法和案例研究，并讨论了采集大量患者的电子医疗数据的挑战。

    Jun, 2022

  • 检测过程执行中的上下文感知偏差

    本文提供了一个系统性的框架来整合不同的应用场景和偏差检测技术，实现上下文感知型的检测。该框架可以区分积极和消极的背景条件，并可被扩展至不同的上下文和场景中，并通过对 255 种不同情境下的实验验证了其有效性。

    Jun, 2022