Feb, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 利用机器学习和自然语言处理方法来研究 COVID-19 研究的时间演变

    本研究通过多种数据源建立了多个机器学习模型对当前 COVID-19 研究场景进行了表征，包括识别潜在主题、分析出版物相似性和情感。结果表明 PubMed 和 ArXiv 中的研究类型存在显著区别，前者在 COVID-19 相关问题的多样性方面具有更大的多样性，后者则更关注预测 / 诊断 COVID-19 的智能系统 / 工具。研究团队对高危人群和并发症患者的特别关注也得到了证实。

    Jul, 2020

  • 从入院记录预测 COVID-19 和肺炎并发症

    本文提出了一种针对肺炎或 COVID-19 住院患者的风险评估新方法，基于入院报告和其它文本数据，采用 Longformer 神经网络计算患者的风险评分，实验结果表明我们的方法优于 Transformer 基线模型，并具有多种优势。

    May, 2023

  • 使用多源迁移学习预测 COVID-19 患者的急诊再访

    本文旨在开发出一种预测新冠肺炎患者出院后 7 天内是否重新入院的模型，研究使用了电子健康记录（EHRs）和自然语言处理技术 ScispaCy，以及域对抗神经网络等方法对数据进行处理。结果表明，Multi-DANN 模型可以更好地预测 COVID-19 病人在出院后 7 天内是否需要再次求诊。

    Jun, 2023

  • 利用深度学习分析 NIH N3C 和 RECOVER 治疗方案的历史诊断编码数据，确定 Long Covid 的风险因素

    使用诊断代码数据及深度学习，我们能够预测出是否出现了了长期 COVID 症状并从最高分诊断方案中判断出其中较重要的因素。

    Oct, 2022

  • 使用自然语言处理方法识别具有高急危重症风险的肿瘤患者临床记录

    本研究使用自然语言处理技术，比较了深度学习模型和手动工程化语言特征模型，在使用自由文本格式预测急性护理使用风险上的表现，结果表明，使用结构化健康数据模型能够最小限度地胜过 NLP 模型。

    Sep, 2022

  • 基于对抗训练的隐私感知的 COVID-19 早期检测

    使用机器学习技术，采用抗干扰训练方法，利用基础的临床数据，开发了两个能较好地预测患者 COVID-19 状态的连续神经网络模型，并提高了模型隐私保护能力，可有效减少医疗信息泄漏。

    Jan, 2022

  • 基于症状的机器学习模型用于 COVID-19 的早期检测：文献综述

    通过病人症状，临床数据和医疗成像的大数据集，机器学习模型能够分析预测 COVID-19，其中症状为基础的模型表现良好，但图像为基础的模型的精确度通常较高。

    Dec, 2023

  • COVID-19 CT 扫描和未整理的报告的零样本多标签分类的经验分析

    使用未结构化数据和 CT 扫描进行零样本多标签分类来诊断 COVID-19，以改善医学影像分析中的精度和效果。

    Sep, 2023

  • 评估临床情感分析和主题提取在精神科再入院风险预测中的功效

    通过在电子健康记录中引入话题提取和临床情绪分析等额外的可解释性自然语言处理功能，本文评估了在精神病患者中预测早期再入院风险的读入风险分类器建立过程中包括额外临床可解释性自然语言处理功能的重要性。

    Oct, 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