Jan, 2023

自适应特征重要性校准的腹膜透析患者死亡率预测：基于真实世界纵向随访数据的深度学习研究

PDF
TL;DR我们开发了一个即时、个性化和可解释的死亡预测模型 - AICare，该模型使用电子病历等随访数据，能够明确识别每个患者的关键特征，进而建立健康状态嵌入模型，并在包括腹膜透析和血液透析等临床数据预测任务中达到了良好的预测效果。
发现论文，激发创造
  • 基于人工智能 (AI) 的新冠肺炎患者死亡预测

    针对 COVID-19 严重患者，本研究利用九种机器学习算法和两种特征选择方法进行预测模型建立，发现重症肾脏损伤是最重要的特征。在预测死亡、ICU 需求和通气天数方面，LSTM 算法表现最佳，准确率达到 90%，敏感性为 92%，特异性为 86%，AUC 为 95%。针对通气天数的预测，DNN 算法准确率达到 88%。综合各因素和局限性，选取合适的特征和数据平衡的机器学习算法可准确预测死亡、ICU 需求和通气支持，在紧急和疫情爆发情况下非常有用。

    Mar, 2024

  • XMI-ICU: ICU 中心特定心脏病患者假动态死亡率可解释的机器学习预测模型

    本研究利用回溯检验提取的两个队列，发展了一种新的伪动态机器学习框架，用于重症监护病房的死亡预测，实现了可解释性和临床风险分析，并成功地结合了时间序列生理测量技术，从而能够提供时间分辨率的解释结果。

    May, 2023

  • 非重症患者急性肾损伤预测：回顾性外部和内部验证研究

    急性肾损伤（AKI）预测的深度学习与传统机器学习模型间的比较及其在不同医疗机构的性能验证。

    Feb, 2024

  • 利用放射学报告和图像改善 ICU 死亡率预测的实证研究

    本文采用深度学习技术，以多模态数据为特征预测 ICU 死亡率，在 MIMIC-IV 数据集上进行验证，结果显示平均 C 指数为 0.7829，明显优于基线 SAPS-II 特征 (0.7470) 并证明了已预定义标签 (2.00%)、文本特征 (2.44%) 和影像特征 (2.82%) 的贡献。

    Jun, 2023

  • 可解释机器学习在 ICU 复诊预测中的应用

    通过标准化和可解释的机器学习流程，该研究在多中心数据库上建模和预测了患者再次入院，使用随机森林分类模型获得了高达 0.7 的预测性能，并提供了对生命体征、血液检查、人口统计学信息和 ICU 相关变量等方面的有见地的结果，对临床医生的决策提供了宝贵的信息。

    Sep, 2023

  • 利用深度学习改进临终关怀

    该研究使用深度学习和电子病历数据解决医师判断与实际治疗不符的问题，自动评估患者以预测死亡率，从而及时引导患者到姑息治疗服务，提高住院患者的临终护理水平。

    Nov, 2017

  • 利用电子健康记录自动预测精神疾病患者的死亡

    使用预测性机器学习模型和电子健康记录来预测心理诊断患者的死亡率所带来的持久挑战，机器学习算法（逻辑回归、随机森林、支持向量机和 k 近邻）的结果表明随机森林和支持向量机模型优于其他模型，AUC 得分为 0.911，药物处方，尤其是硫酸吗啡在预测中起到关键作用。这项研究可用于帮助医院工作人员识别有风险的患者，减少过度死亡。

    Oct, 2023

  • 基于深度学习的 ICU 早期预警的普适性：一项回顾性实证评估

    本研究使用四个数据来源的数据，评估深度学习模型在不同医院的准确性，在模型性能方面，多数据来源模型表现相当，明确优化模型的方法并没有显著提高性能。

    Mar, 2023

  • 基于计算机断层扫描血管造影和临床数据的肺栓塞死亡率预测

    通过使用 CTPA 成像、临床数据和 PE 严重指数（PESI）评分来预测 PE 的死亡率，研究采用深度学习模型来预测 PE 的死亡率，并将疾病相关的成像特征和 / 或临床变量纳入 DL 模型中进行预测，结果表明多组学 DL 模型在 PE 存活预测中的 c-index 值明显高于仅使用 PESI 指数的模型。

    Jun, 2024

  • 通过自适应特征提取和重新校准进行可解释的临床健康状况表示学习

    该项研究提出了一种 deep learning-based 的健康状态表示学习模型 AdaCare，能够在多个时间尺度上捕捉生物标志物的长期和短期变化，强化指示健康状态的特征，并提供有效的可解释性和高预测准确率，实验证明 AdaCare 胜过同类方法，通过临床专家验证的可解释性也很有效。

    Nov, 2019