Apr, 2023

Mimic-IV-ICD：一个新的极端多标签分类基准

PDF
TL;DR本文提出了一个基于 MIMIC-IV 公共电子病历数据集的 ICD 编码公共基准套件，使数据预处理标准化并建立全面的 ICD 编码基准数据集，加速未来研究中采用自动 ICD 编码的进展。
icd codingmachine learning modelsbenchmark suiteehr datasetmimic-iv
发现论文，激发创造
  • 使用 MIMIC-IV 进行基准测试：一种不规则、稀疏的临床时间序列数据集

    电子健康记录（EHR）与应用机器学习解决领域内的各种问题越来越受欢迎，而这一增长的研究领域也引发了对 EHR 可访问性的需求。本研究的目标是填补 MIMIC-IV 最新版本的 MIMIC 数据集的基准测试工作的不足，并提供一个详细的文献调查，对已经完成的 MIIMIC-III 研究进行评估。

    Jan, 2024

  • 使用 MIMIC-III 临床笔记进行 ICD-9 编码分配的深度学习实证评估

    研究通过采用深度学习等机器学习方法，对临床笔记进行自动代码映射，结果表明这些深度学习方法优于其他传统机器学习模型，并且在 MIMIC-III 数据集上能够准确估计和预测 ICD-9 医疗代码。

    Feb, 2018

  • 自动 ICD 编码的多模态机器学习

    该研究提出了一种多模态机器学习模型，用于预测 ICD-10 诊断代码，并通过集成不同模态的机器学习模型和提取关键证据来增强预测的可信度和可解释性。在解释性方面，该方法在文本数据上达到了 0.1806 的 Jaccard 相似系数，在表格数据上达到了 0.3105。

    Oct, 2018

  • 基于 MIMIC 大型医疗数据集的深度学习模型对比

    本篇论文通过 MIMIC-III 数据集进行临床预测任务（如死亡率预测、住院时间预测以及 ICD-9 编码分组预测）的基准测试，结果表明，相较于基于机器学习模型和预测评分系统，深度学习模型在使用原始临床时间序列数据作为输入特征时有更好的表现。

    Oct, 2017

  • MIMIC-III 和 MIMIC-IV 的自动医疗编码：一项关键评论和可复制性研究

    本文重现、比较和分析了最先进的自动医学编码机器学习模型。通过改进数据的采样和评估方法，我们的研究结果表明，在新的医学数据集 MIMIC-IV 上，使用正确的参数和配置，这些模型可以产生良好的效果。

    Apr, 2023

  • 基于心电图的死亡风险预测基准测试

    研究使用大型医院拥有的心电图数据库来建模和预测患者死亡率，通过与两种神经网络架构比较四种深度存活建模方法以及在一到十年内的绩效评估，结果表明 AUROC 和协调性得分与以往工作相当（约 0.8），考虑到与死亡率相关的心电图样本的比例（MIMIC-IV：27％，Code-15：4％），AUPRC 得分合理（MIMIC-IV：0.4-0.5，Code-15：0.05-0.13）。

    Jun, 2024

  • 临床时间序列数据的多任务学习和基准测试

    该研究提出了利用来自公开可用的激痛医学信息库（MIMIC-III）数据集的四个临床预测基准，旨在解决机器学习在医疗保健研究中缺乏公开可用基准数据集的问题。

    Mar, 2017

  • 自动 ICD 编码的诊断标签相关性建模

    提出一个两阶段的框架，通过捕捉标签相关性来提高自动 ICD 编码，利用标签集分布估计器和基准预测器来生成每个标签集候选项的概率，并重排序，以解决测量标签相关性的问题。

    Jun, 2021

  • 自动医学编码推荐的多阶段检索和再排序模型

    本文介绍了一种用于 ICD 编码的多阶段 “检索和重排序” 框架，通过混合离散检索方法和对比学习，在一个简化的标签空间中使模型能够更准确地预测，实验结果显示该方法在 MIMIC-III 基准测试上达到了最先进的性能水平。

    May, 2024

  • 基于树型对比学习的半结构化自动 ICD 编码研究

    通过研究调查临床记录的半结构化性质，我们提出了一种自动算法将其分割为不同的部分。为了解决现有 ICD 编码模型在数据有限性方面的可变性问题，我们引入了对于部分使用基于树编辑距离的软多标签相似度度量的对比预训练方法。此外，我们设计了一个掩码部分训练策略，使 ICD 编码模型能够定位与 ICD 编码相关的部分。广泛的实验结果表明，我们提出的训练策略有效地提升了现有 ICD 编码方法的性能。

    Oct, 2023