Jan, 2023

使用变形金刚模型基于电子医疗记录预测阻塞性睡眠呼吸暂停的治疗费用

PDF
TL;DR使用两个 Transformer 模型，结合患者足够长的访问历史和多种情境，预测阻塞性睡眠呼吸暂停患者接下来一年的访问费用，以帮助医疗决策者进行精细的财务管理和预算分配。
obstructive sleep apneapatient datatransformer modelsprediction performancehealthcare budgeting
发现论文，激发创造
  • 验证一种新的、微创的、软件智能手机设备用于预测睡眠呼吸暂停和其严重程度的横断性研究

    通过使用智能手机传感器，本研究旨在评估使用 Apneal 应用程序检测患者 AHI 的性能，并通过一个基于深度学习模型的自动化方法准确评分。手动评分相对于 PSG 评分表明智能手机信号的手动评分是可行且准确的，而基于深度学习模型的自动评分方法提供了有希望的结果。需要进行更大的多中心验证研究以确认这些结果。

    Jun, 2024

  • 使用 Transformers 预测术后肾脏和肺部并发症

    本文评估了基于 transformer 的深度学习模型在术中麻醉管理数据方面预测术后急性肾功能衰竭、术后肺部并发症和术后住院死亡的表现，并比较其与传统机器学习模型如梯度提升树和序列注意模型等的表现。结果表明，transformer 式模型在预测术后并发症方面具有卓越的表现，突显了深度学习技术特别是 transformer 式模型在改变卫生保健行业术后护理方法方面的潜力。

    Jun, 2023

  • 用公开的医疗保健数据构建医疗费用预测模型

    利用机器学习技术基于患者诊断和人口统计学数据构建预测模型，并使用决策树方法进行预测，其结果优于先前研究的类似问题报告的结果，因此有望降低医疗保健成本。

    Apr, 2023

  • 多层次心血管疾病与阻塞性睡眠呼吸暂停症共病现象的表型模型：一项纵向威斯康辛睡眠队列研究

    利用密集睡眠期患者的数据，本研究引入一种新型的多层次表型模型，分析这些疾病随时间的进展和相互作用，并通过树状模型进行特征重要性分析，发展混合效应模型，应用 t 分布随机邻居嵌入和高斯混合模型对患者数据进行分群，阐明了心血管疾病和阻塞性睡眠呼吸暂停的动态关系，为预测疾病发生和个体化治疗提供有价值的工具。

    Jun, 2024

  • SlAction：使用红外视频的非侵入式、轻巧的阻塞性睡眠呼吸暂停检测

    SlAction 是一个非侵入性的 OSA 检测系统，使用红外视频在日常睡眠环境中检测睡眠呼吸暂停综合症。通过分析最大的睡眠视频数据集，建立呼吸暂停与睡眠期间的人体动作之间的相关性，并使用轻量级深度神经网络对资源受限设备进行处理，实现平均 87.6% 的 OSA 检测准确率。

    Sep, 2023

  • 基于熵指数量化的心率 - 血压耦合来区分阻塞性睡眠呼吸暂停患者与健康对照组

    我们引入一种基于熵的分类方法 (ECPS) 用于量化心率和逐拍血压记录中的相互依赖关系。该方法的目的是为每个主体获取两个交织数据系列组成的数据，并基于序数模式和类似熵的指数构建一个分类器。使用机器学习选取最适合我们分类问题的一组指数，以便建立一个对于区分患有阻塞性睡眠呼吸暂停症的患者和对照组的最优且简单的模型。

    Nov, 2023

  • 利用电子病历数据预测肥胖：一种带可解释元素的深度学习方法

    本文描述了一种基于深度学习的预测儿童肥胖症的模型，使用了大型未经修正的电子健康记录数据集，采用长短时记忆网络 (LSTM) 架构，并通过注意层来增加模型的可解释性，预测儿童肥胖症的时间段是从 2 岁到 20 岁，相比其他忽略了时间性的机器学习方法，模型的表现更好。

    Dec, 2019

  • 可扩展和准确的电子健康记录深度学习

    使用电子健康记录进行循证医学和准确预测，通过 Fast Healthcare Interoperability Resources (FHIR) 格式表示病人的原始病历记录，并使用深度学习方法进行多中心的多个医疗事件预测，包括住院死亡率、未经计划的 30 天再入院率、医院停留时间延长、所有患者的最终出院诊断等。

    Jan, 2018

  • 利用 EOG 增强医疗保健：一种新的睡眠阶段分类方法

    我们引入一种创新的方法来使用 EOG 信号进行自动睡眠分期分类，解决了 EEG 数据采集的不适和不实用性。我们的提出的 SE-Resnet-Transformer 模型能够准确分类来自原始 EOG 信号的五个不同的睡眠阶段。在公开可获得的数据库（SleepEDF-20，SleepEDF-78 和 SHHS）上进行了广泛验证，显示出显著的性能，宏 F1 分数分别为 74.72，70.63 和 69.26。我们的模型在识别 REM 睡眠方面表现出色，这是睡眠障碍研究中的关键方面。我们还使用 1D-GradCAM 和 t-SNE 图等技术提供了关于我们模型内部机制的见解。我们的方法提高了睡眠分期分类的可访问性，同时减少了对 EEG 模式的需求。这一发展将对医疗保健和将可穿戴技术纳入睡眠研究中产生有希望的影响，从而推动该领域的诊断和患者舒适性的提升。

    Sep, 2023

  • 一种针对高度不平衡工业数据的成本敏感的 Transformer 模型

    该文介绍了一种新颖的成本敏感变压器模型，该模型通过融合混合型采样器和基于回归的填充器，以及经过严格测试的方法，从而在工业环境中预测故障方面表现出比现有方法更好的性能，并分析了所提出方法中不同组成部分的贡献。研究结果凸显了该方法在解决工业设置中故障预测的独特挑战方面的潜力，从而提高了工业操作的可靠性和效率。

    Jan, 2024