Apr, 2023

NPRL: ICU 创伤患者早期脓毒症发病预测之夜间档案表征学习

PDF
TL;DR本文提出了一种实现在医学设施内部署的早期预测严重感染的方法，使用机器学习与深度学习方法，研究人员还提出了夜间患者个体风险特征向量的学习方法，通过实验验证了该方法的有效性。
sepsismachine learningdeep learningprediction frameworknightly profile representation learning
发现论文，激发创造
  • 早期脓毒症预测的多子集方法

    利用机器学习和多子集方法进行感染性休克早期预测可缩短预测时间，并以时变趋势特征进一步改进早期预测的性能。

    Apr, 2023

  • 利用深度学习技术对电子健康记录事件序列进行早期感染性休克检测

    本研究提出一种基于深度学习方法的感染监测系统：该系统利用电子病历等数据预测感染发生的可能性并辅以早期干预以提高为病人争取更多时间，其性能表现在 AUROC 值为 0.856，可在感染发生前三小时预测。

    Jun, 2019

  • 临床环境下脓毒症发作的早期预测

    采用机器学习模型来预测感染性休克的早期发生，利用来自纽约布朗克斯 Montefiore 医疗中心的非身份识别的临床数据。

    Feb, 2024

  • 使用机器学习和临床自然语言处理在急诊接诊时准确检测败血症

    研究以机器学习算法 (KATE) 为基础，与就诊数据进行综合，能够在急诊科中高准确度地诊断感染性休克，并且其在重症感染和感染性休克的诊断性能明显优于常用的诊断方案。

    Apr, 2022

  • 应用 Transformer 集成生理时间序列和临床记录进行早期脓毒症预测

    本篇研究提出了一种基于多模态 Transformer 模型的早期脓毒症预测方法，使用每位患者在 ICU 入院后 36 小时内的生理时间序列数据和临床笔记，仅利用前 12、18、24、30 和 36 小时的实验室指标、生命体征、患者特征和临床笔记进行预测。在 MIMIC-III 和 eICU-CRD 两个大型重症监护数据集上评估了我们的模型，结果证明我们的方法在所有指标上优于竞争基线。

    Mar, 2022

  • 使用多任务高斯过程循环神经网络分类器学习检测脓毒症

    本文介绍了一种可伸缩的端到端分类器，它使用连续的生理时间序列和药物数据来准确预测败血症的发作，并且可以在高度不确定、频繁缺失和不规则采样率的真实临床数据中工作。通过使用任务多元高斯过程模型和基于回归神经网络的黑盒分类器，我们表明在大规模的医院数据中，该分类器胜过了我们医院目前使用的新闻评分，并且收益了 19.4％和 55.5％的改进。

    Jun, 2017

  • 一种改进的多输出高斯过程循环神经网络，具有实时验证功能，用于早期脓毒症检测

    该研究提出一种多输出高斯过程和深度递归神经网络相结合的方法，实现对 sepsis 的早期检测，有效性较现有方法更佳，并可在实时仪表盘上展示其预测结果，以便用于 sepsis 快速反应团队的诊断和治疗。

    Aug, 2017

  • 基于深度表示学习的医学重症监护病房急性呼吸衰竭动态轨迹表型研究

    通过深度表示学习的方法，该研究揭示了散发性与急性呼吸衰竭的临床轨迹的不同群体，并对不同的死亡率和严重程度进行了特征化，这将为有效的预后和个体化的治疗策略提供重要的临床见解。

    May, 2024

  • 一种基于知识蒸馏的多变量临床时间序列中的感染性休克预测方法

    通过知识蒸馏和约束变分推断，我们使用一个高预测能力的 “教师” 神经网络模型来训练一个 “学生” 潜在变量模型，学习可解释的隐层表示，以实现对脓毒症预测结果的高准确性。

    Nov, 2023

  • 可解释预测患者路径的机器学习框架：以预测症状为脓毒症患者的 ICU 入院为例

    利用机器学习和可解释预测的方法，提供对因脓毒症症状患者的重症监护室 ICU 入院的能力，通过综合仪表盘显示患者的健康轨迹、预测结果和相关风险，提供了改进预测准确性和可解释且可操作的见解，成为危重患者医疗决策支持的有价值工具。

    May, 2024