HTPS: 健康数据异构传输预测系统
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
通过利用电子健康记录 (EHR) 数据在医学领域的广泛应用,使用深度学习方法在疾病风险预测方面取得了早期成功。然而,现有研究对 EHR 数据的潜力未能充分利用,存在着许多关键问题,如融入疾病领域知识、异构学习疾病表示以及捕捉疾病进展的时间动态等。为了克服这些限制,本研究引入了一种新型的异构图学习模型,旨在融合疾病领域知识,阐明药物和疾病之间错综复杂的关系。该模型创新性地将时间数据融入到访问级嵌入中,并利用一个考虑时间的 Transformer 和自适应注意机制来生成患者表示。经过两个医疗数据集的评估,我们的方法在预测准确性和可解释性方面表现出显著提升,为个性化和主动式的医疗管理迈出了实质性的进展。
Apr, 2024
我们提出了 HTP-Star,它利用超图结构和预训练再微调的框架来模拟电子健康记录数据,实现了额外特征的无缝集成,并设计了两种技术来增强模型的鲁棒性。通过在两个真实电子健康记录数据集上进行实验,我们证明了 HTP-Star 在基础特征和额外特征的病人之间取得了平衡,并一直优于各种基准模型。
Jun, 2024
本研究介绍了一种新的基于异构信息网络 HeteroMed 的疾病诊断建模方法,该方法可以更好地在电子医疗记录中处理缺失值和异构数据,并通过关键诊断路径的捕获和联合嵌入来实现更准确的疾病诊断,其实验结果表明,该方法比现有方法在明确的诊断编码和一般疾病群的预测方面表现更好,并且在通过案例研究定性考察临床事件的相似性方面也优于基准模型。
Apr, 2018
我们提出了一种迁移学习方法,通过限制异质领域中生成的特征的分布偏移,捕获与下游任务相关的域不变特征,从而培养出一个统一的域不变编码器,以达到更好的特征表示。在处理有限数据量时,我们提出的模型胜过竞争基线方法,并具有更高的训练收敛率,从而提供了更准确的对新兴大流行病和其他疾病的预测。
Oct, 2023
使用机器学习方法估计异质治疗效应(HTE)可以在各个领域(如医疗保健、政策制定、教育等)中实现大规模个性化决策。本文提出了一种通过联邦学习在机构之间进行协作学习 HTE 估计器的新框架,实现了在各个机构之间同时学习共同特征表示和不同干预措施下的特定预测函数。我们的框架还通过多任务学习利用表格转换器将多个输入数据映射为特征表示来进行结果预测,并提出了一种适用于异质输入特征空间的个性化转换器的联邦训练方法。实验结果表明了我们的方法的有效性。
Feb, 2024
本文分析和研究了使用最新技术(如大数据、人工智能、机器学习和深度学习)改善医疗保健的不同方法,提出了基于收集、预处理和聚类医疗数据的一般方法,以在可观的时间范围内预测最常见的病理。
Apr, 2023
本文探讨了去中心化的分布式账本上机器学习模型对分布式电子个人健康档案进行知识提取的方法,并提出了一个设计概念,能够匿名进行预测性分析,结果表明可降低机器学习时间至 60%,一致性延迟低于 8 秒,适用于各个医疗机构。
Jul, 2022
在大数据和数字医疗领域,电子健康记录(EHR)已成为丰富信息的来源,具有改善患者护理和医学研究的潜力。近年来,机器学习模型不断增多,用于分析 EHR 数据以预测患者未来的健康状况。其中,一些研究主张采用多任务学习(MTL)来共同预测多种目标疾病,以提高预测性能,然而,目前针对 EHR 数据的 MTL 框架存在重要限制,因为它们过于依赖人为专家来识别任务组合以进行联合训练和设计模型架构。为了减少人工干预并改进框架设计,我们提出了一种名为 AutoDP 的自动化方法,它能够同时搜索任务组合和架构的最佳配置。为了解决任务组合和架构包含的庞大搜索空间,我们采用基于代理模型的优化,使我们能够高效地发现最优解。对真实世界的 EHR 数据的实验结果表明了提出的 AutoDP 框架的有效性。它在手工设计和自动化的最先进方法上取得了显著的性能改进,同时也保持了可行的搜索成本。
Mar, 2024
本文研究了基于深度学习技术的临床终点预测方法,提出了一种用于学习不同类型时间事件的联合表示的新模型,并在真实世界的临床数据上对死亡和异常实验室检测的预测任务进行了实验,证明了我们提出的方法的有效性。
Mar, 2018