Dec, 2022

使用字级别和句级别稀疏注意力的临床笔记死亡率预测模型

PDF
TL;DR本文研究了临床神经预测模型中的不同注意力机制在区分度和校准性方面的表现，特别是将稀疏注意力作为在临床记录中预测住院病死率的替代方法，在公开数据集上表现出了优异的预测性能，并且在确定的相关指令词上更加注意力集中。然而，在句子选择上可能会出现问题。
intensive careneural prediction modelsclinical notesin-hospital mortality predictionattention mechanisms
发现论文，激发创造
  • 临床笔记的注意力分析用于预测任务

    本研究使用两个电子病历文本库和四个预测任务，探索了注意机制在神经模型中的作用，发现注意机制的加入有望提高模型性能，但对预测的支持意义尚不明确。

    Apr, 2019

  • 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

  • 使用注意力模型进行临床时间序列分析

    该论文针对临床时间序列数据，采用注意力机制代替循环神经网络，提出了一种新的架构 SAnD（Simply Attend and Diagnose），并证明该方法在多项诊断任务中表现优异，胜过 LSTM 模型和基于手工特征的经典基线模型。

    Nov, 2017

  • 多模态转换器：将临床记录与结构化电子病历数据融合，可解释的住院死亡率预测

    本论文提出一个新型的多模态变压器，用于融合医疗记录数据和医生的述职记录来预测住院死亡率，并使用可视化方法展示关键的医疗记录和医疗数据特征，进而提高了诊断的可解释性和预测的精度。

    Aug, 2022

  • 可解释的生命体征预测与模型无关的注意力图

    该研究通过结合深度学习模型和注意力机制的框架，提高其在预测败血症过程中的可解释性，从而支持临床决策。研究通过评估基于 eICU-CRD 数据集的模型在预测败血症患者生命体征方面的表现，并采用均方误差（MSE）和动态时间规整（DTW）度量来评估其性能，同时探索了 N-HiTS 和 N-BEATS 的注意力图，研究关键因素对生命体征预测的影响。

    May, 2024

  • 深度学习关注 ICU 中的风险

    利用长短期记忆和层次注意力机制，建立深度学习模型解决 ICU 中生理时间序列数据的不规则和缺失问题，实现对 ICU 死亡风险的预测，并在 PhysioNet 2012 数据集上取得了竞争力和可解释性的结果。

    Jul, 2017

  • 利用医学命名实体和多模态学习提高医院死亡率预测

    本研究旨在探究如何利用医疗自然语言处理技术，将临床文本与结构化临床数据相结合，建立多模态神经网络模型，实现对重症监护室患者住院死亡风险的预测。研究结果显示，相较于基准模型，本模型的 AUC 值提高了 2%。

    Nov, 2018

  • 利用自由文本临床记录实现非结构化死亡率预测

    通过以未经过多次预处理的多个临床笔记为输入，在用于预测住院死亡时提高模型性能，这项研究揭示了未结构化数据在临床预测方法中的潜力和必要性。

    Nov, 2019

  • 使用注意力机制解释基于电子病历的死亡风险预测任务：以出血性中风为例的案例研究

    使用解释性、基于注意力机制的变换器模型以及 Shapley 值和注意力得分对早期中风死亡风险进行预测，评估和解释模型的性能，提供特征重要性派生自模型。

    Aug, 2023

  • 结合 LSTM 与潜在主题模型进行死亡率预测

    使用 LSTM 和潜在主题模型相结合的神经网络架构，对严重病患的病历文本进行分类预测和死亡的主题学习，该模型有效提高了死亡预测的准确性。

    Sep, 2017