Apr, 2023

朝向群体智能：一种通用的基于队列表示学习的电子健康记录分析框架

HTML
PDF
TL;DR通过提出 COhort Representation lEarning (CORE) 框架，从患者之间的细粒度 cohort 信息出发，对 EHR 数据表示进行增强学习，以提高患者管理和干预策略在临床实践中的应用，为医疗方法注入集体信息以提高性能。
发现论文，激发创造
  • Patient2Vec：长期电子健康记录的个性化可解释深度表示

    本文提出了一种计算框架，称为Patient2Vec，以学习可解释的深度纵向电子健康记录数据表达，并将其应用于实际患者信息以预测未来住院情况，该方法展现出明显的预测性能优势。

    Oct, 2018

  • 电子健康记录的深度表征学习以解锁大规模患者分层

    利用基于深度学习的无监督框架从电子健康记录中提取患者表现，为下一代个体化医学提供指导。通过将病人轨迹转换为低维潜在向量来对1,608,741例患者的电子病历进行了综合分析，发现ConvAE可以生成导致临床有意义的见解的患者表示形式。

    Mar, 2020

  • sEHR-CE: 结构化电子病历语言建模，用于高效和可推广的患者队列扩展

    本文提出了一种基于Transformers的新型框架sEHR-CE，可以在不需要映射的情况下，对异构临床数据集进行集成表型和分析。使用预训练的语言模型来预测疾病表型的准确性高于非文本和单个术语方法，并且用2型糖尿病为例说明如何识别没有诊断但具有与患者相似临床特征的个体。

    Nov, 2022

  • 利用原型患者表征借助特征缺失感知校准来缓解电子病历数据稀疏性问题

    通过间接插补和特征可信度学习，我们的研究提出了一种改进的电子健康记录 (Electronic Health Record) 预测模型，能够更准确地预测住院病人的死亡情况，此模型在 MIMIC-III 和 MIMIC-IV 数据集上实验证明优于现有的模型。

    Sep, 2023

  • 多模态电子健康记录的动态嵌入和标记化的时间交叉注意力

    我们提出了一个动态嵌入和分词框架，通过学习多模态临床时间序列的时间感知表示，并结合时间交叉注意力，将其整合到滑动窗口关注的多任务Transformer分类器中，在预测超过120,000例住院手术的九种术后并发症的示例任务中，使用来自美国三家医院和两个学术医疗中心的多模态数据，我们的嵌入和分词框架优于基线方法。

    Mar, 2024

  • TACCO: 基于电子病历数据的疾病亚型划分的临床概念和患者访问的任务引导合并聚类

    基于超图建模的 TACCO 方法，通过自监督的共聚类框架，发现临床概念和患者访问的簇类，进一步加强了电子医疗记录数据的超图模型，并通过对比目标实现了临床概念和患者访问的簇类的对齐，实验证明了 TACCO 提供了改进的效用和深入的解释。

    Jun, 2024

  • CohortNet：用于可解释的医疗保健分析的患者群体发现

    提出了CohortNet，一种用于可解释的医疗分析的自动化队研究模型，通过学习细粒度患者表征、发现并利用充满医学意义模式的群体，来为特定患者提供更全面的理解。

    Jun, 2024

  • ACR：自动队友检索基准

    自动检索病例组是许多医疗任务的基础，本文引入了一种新的任务——自动检索病例组，并评估了大型语言模型和领域特定的神经符号方法的性能。

    Jun, 2024

  • ACES: 用于事件流数据的自动群体提取系统

    利用自动队列提取系统（ACES）提高医疗领域机器学习的研究可重复性，降低 ML 任务定义门槛，并改善电子健康记录数据集的研究互动方式。

    Jun, 2024

  • MEDS-Tab：用于MEDS数据集的自动表格化和基线方法

    本研究解决了在结构化电子健康记录（EHR）数据中高效生成高质量基线模型的难题。通过MEDS框架的核心数据标准化进展，本文提出了一种自动化快速处理不规则采样时间序列数据的系统，使得研究者能够轻松构建特征和表格，显著降低人工干预的需求。这一方法显著提升了自动生成高性能基线模型的能力，从而为各种健康问题提供了可靠的机器学习解决方案。

    Oct, 2024