Mar, 2023

利用患者事件序列预测住院天数

PDF
TL;DR此研究提出了一种基于 Transformer 模型的 Medic-BERT（M-BERT），通过将病人信息建模为事件序列来预测其住院天数，并在丹麦大型医院的 45000 多名急诊病人上进行了实验，结果表明 M-BERT 在各种住院时间问题上表现出色，优于传统非序列机器学习方法。
hospital length of staypatient informationtransformer-based modelmedical event sequencesmachine learning
发现论文，激发创造
  • 机器学习和统计方法在卒中患者住院时间预测中的文献综述

    该研究回顾了机器学习和统计方法在预测中风病人住院时间方面的研究，分析了目前研究领域中存在的一些矛盾之处，需要进一步研究了解中风患者住院时间的预测因素。

    Dec, 2021

  • 利用住院时间预测和离散事件模拟评估紧急科短期住院部的影响

    我们旨在建立一个决策支持系统，以预测从急诊部入院的患者在医院的住院时间，结果表明利用患者入院特征可以相对准确地预测住院时间。

    Aug, 2023

  • 利用领域自适应进行医院管理的住院期预测

    本文使用历史数据和机器学习技术，将域适应应用于病人的入院单位，从而预测早期的住院时间，并设计了一个适合临床决策支持系统的预测模型。

    Jun, 2023

  • 基于概率模型的医院电子健康记录顺序推理

    在动态医院环境中，决策支持是提高患者结果的有价值工具，本研究设计了一个概率无监督模型用于医院电子病历数据中包含的多个任意长度的序列，包括诊断、实验室检查、神经评估和药物，通过推断算法可以预测序列的长度和特定值的出现。

    Mar, 2024

  • 电子健康记录的个性化事件预测

    通过对 MIMIC-III 数据库中的患者临床事件序列进行分析和测试，我们提出并研究了多种新的事件序列预测模型和方法，旨在更好地调整个体患者和其特定状况的预测。

    Aug, 2023

  • 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

  • 使用长短期记忆网络预测 ICU 病死率

    实验结果突出了 LSTM 模型对建立真实世界预测引擎的高效性，通过利用严格的多变量时间序列测量将时间框架缩小到 6 小时，这个自动数据驱动系统可以分析从电子健康记录中得出的大量多变量时间数据，提取高级信息以早期预测住院死亡率和住院时间。

    Aug, 2023

  • 基于长短期记忆网络的医疗保险数据预测再入院率的进展

    利用保险数据，通过构建双向 LSTM 神经网络，本研究成功预测了医院的所有诊断病例中患者 30 天再次入院的风险。与随机森林分类器的结果相比，LSTM 模型的性能显著提高，证明了序列预测在该问题中的重要性。同时，加入了 30 天的历史数据后，模型的性能也有显著提高，提示历史诊疗记录的重要性。

    Jun, 2022

  • 医学时间序列的事件对比学习

    通过引入基于事件的对比学习（EBCL）方法，本文提出了一种用于学习保留关键指标事件之前和之后的异构患者数据的嵌入的方法，并证明相比不利用关键医学事件周围的时间信息的其他表示学习方法，EBCL 产生的模型在包括 30 天再住院、1 年死亡率和 1 周住院时间的关键后续任务的微调性能更好。

    Dec, 2023

  • ClinicalBERT：医疗记录建模和医院复诊预测

    本文使用双向转换器（ClinicalBERT）开发和评估了临床笔记的表示方法，该方法发现了医学概念之间的高质量关系，并在 30 天医院再入院预测方面优于基线，使用的数据为出院小结和重症监护室的前几天的笔记。

    Apr, 2019