Mar, 2023

改善患者护理的动态医疗嵌入

PDF
TL;DR提出了一种能够从医疗数据流中学习患者、医生、病房和药品异构动态嵌入的 DECENT 自动编码异构共同进化动态神经网络，可以提高诸如预测患者死亡风险、病情严重程度、医疗细节等医疗预测任务的性能。得到的结果显示，在患者死亡风险预测任务上，DECENT 的性能提升高达 48.1％以上。
healthcare predictionmachine learningheterogeneous dataneural networkpatient embeddings
发现论文，激发创造
  • 用于患者表征的深度规范化嵌入

    本文介绍了一种新的对比表示学习目标和训练方案，针对临床时间序列。该方法能将高维的医疗记录数据投影到低维的封闭单位球上，以编码几何先验，从而学习患者的死亡风险和器官功能，该方法可用于在线患者监测，并可提供临床医生的决策支持和改进下游机器学习任务的性能。

    Apr, 2022

  • 将复杂性嵌入数据表示而非模型：异质医学数据案例研究

    本文提出使用语义嵌入方法，将原始、杂乱的临床数据直接与下游学习架构耦合，以实现最小化预处理。我们从捕捉和编码数据表示中的复杂数据依赖性的角度考虑这一步骤，而不是在模型中实现，该方法允许使用快速，轻量级和简单的模型进行下游处理，对于没有机器学习专业知识的研究人员非常有用。我们通过三个典型的临床预测任务证明了高度压缩的嵌入数据表示捕获了大量有用的复杂性，尽管在某些情况下，压缩并非完全无损。

    Feb, 2018

  • 基于语义分解技术的大型语言模型在电子健康记录数据上的学习改进

    本文介绍了 H-BERT，该模型采用完整的图树扩展表示 EHR 中的医疗编码，提高了病患归属感的预测，并创建了相关但临床不同表型的患者的不同表示。

    Nov, 2022

  • 基于医学概念嵌入的深度架构衡量病人相似度

    本文提出了一个基于纵向病人电子健康记录 EHR 的病人相似性评估框架，结合卷积神经网络和医疗概念嵌入实现对病人临床记录的最优表示，进而提高了病人相似性的性能。

    Feb, 2019

  • ConCare: 通过捕捉医疗保健背景个性化的临床特征嵌入

    本文提出了 ConCare 方法来处理不规则的电子病历数据并提取特征之间的关系以进行个性化医疗预测。该方法模拟了时间感知分布，进一步通过跨头部去关联来改善多头自我关注，以有效捕获动态特征和静态基线信息之间的相互依赖关系以形成个人健康背景。实验结果表明 ConCare 的有效性，并且由医学专家和医学文献经验证实了 ConCare 提取的医学发现

    Nov, 2019

  • DeepCare：一种用于预测医疗的深度动态记忆模型

    本文介绍了一种名为 DeepCare 的深度动态神经网络，用于预测医疗结果，其基于医疗记录建模，包括以往病史、当前病情以及将来的分析，表现出了良好的疾病进展建模、干预建议和风险预测的效果。

    Feb, 2016

  • 利用医疗概念丰富无监督用户嵌入

    本研究提出了一种概念感知的无监督用户嵌入方法，结合来自 MIMIC-III 和 Diabetes 两个临床语料库的文本文档和医学概念，用于疾病诊断和病人特征研究等领域，实验证明该方法的性能明显优于现有的无监督方法。

    Mar, 2022

  • FD-GATDR：一种使用 EHR 进行医生推荐的联邦去中心化学习图注意力网络

    该论文提出了一种医生推荐系统，采用时间嵌入和异构图注意力网络，重建患者和医生之间的潜在连接，并基于最小化优化模型提出了联邦去中心化学习方法来解决患者数据共享的隐私问题。该基于图的推荐系统在 EHR 数据集上有效地提高了 AUC 达到 6.2％，联邦去中心化算法不仅能够实现虚拟融合中心的性能，而且具有 O（1/T）的收敛速率。

    Jul, 2022

  • DeepEnroll: 利用深度嵌入和蕴含预测的患者试验匹配

    DeepEnroll 是一种跨模态推理学习模型，通过在共享潜在空间中联合对招募标准和病人记录进行编码，以进行匹配推理，并通过数字信息嵌入和蕴含模块来进行推理。在真实世界的数据集上，DeepEnroll 表现优异，平均 F1 分数比最佳基线高 12.4%。

    Jan, 2020

  • TAPER：基于时间的病人电子病历表示

    应用 Transformer 网络和 BERT 语言模型，将包含多种数据模式的电子病历编入一个统一矢量表示，从而实现了病人就诊数据的高效表示，这种方法在 MIMIC-III ICU 数据集上得到了出色的性能和可泛化性。

    Aug, 2019