May, 2023

基于自编码器的 ICU 临床代码预测

PDF
TL;DR研究使用 ML 方法对患者的电子健康记录中的临床代码进行自动填充，其中包括使用不完整临床代码和其他临床相关数据来完成此任务，结果表明使用自编码器方法获得最佳表现。
electronic health recordsclinical codesml methodsmimic-iii datasetautoencoder approaches
发现论文，激发创造
  • 读、参与、编码：机器从临床笔记中预测医学编码的极限挑战

    通过使用卷积神经网络（CNN）和长短期记忆（LSTM）网络，将医疗代码分配映射与卷积嵌入相连接，使用自我关注和代码标题引导注意力模块，结合基于句子排列的数据增强和随机权重平均训练，该研究提供的 Read，Attend 和 Code（RAC）模型在医疗代码预测方面超越了人类编码基线，成为完全自主医疗编码（AMC）机器实现医学代码预测的新的最佳性能水平（SOTA）。

    Jul, 2021

  • AutoMap: 临床预测模型部署的自动医疗编码映射

    本篇研究提出了一种名为 AutoMap 的深度学习模型，用于自动将医学编码系统映射到医院的电子健康记录系统中，其精度亦得到良好的验证。

    Mar, 2022

  • 自编码器在临床记录表示学习中的稀疏性降维适应

    通过使用自动编码器学习算法对稀疏高维数据进行压缩，实现对临床笔记的表征特征空间的稀疏性减少，从而提高分类器的分类性能，最终该分类器在检测患者状况时的准确率可达到 92%，召回率、精确率和 f1-score 均为 91%。此外，理论信息瓶颈框架也被应用于该压缩工作机制和自动编码器预测过程的演示。

    Sep, 2022

  • 临床记录患者表征学习及其可解释性评估

    该研究通过分别使用堆叠去噪自编码器和段落向量模型来学习临床记录中与任务独立的密集患者表示。进而比较疾病分类等监督学习任务中，密集表示相较于传统的词袋模型的表现以及从医学概念中提取特征的表现。结果表明，密集表示在处理少量数据和缺少强语义信息的任务时有优势。最后，提出的新技术有助于强化模型可解释性。

    Jul, 2018

  • 从临床笔记中的无监督患者表征得出可解释的分类决策

    使用自编码器模型和段落向量模型，直接从医学记录中学习任务无关的密集病人信息，比较与稀疏表示方法的表现，并利用编码的特征进行解释和筛选

    Nov, 2017

  • 临床记录中医学编码预测：从人工编码到机器编码

    该论文通过自然语言处理和深度学习技术预测医学编码，提高编码准确性并探讨神经网络模型的可解释性。

    Oct, 2022

  • 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

  • 基于多模态融合的自监督预测编码模型，在细粒度时间尺度下进行患者恶化预测

    本研究提出了一种基于自我监督预测编码和多模态融合的按小时预测死亡率和升压药需要的方法，并通过广泛的实验证明了该方法在远期预测方面的显着性能提高。

    Oct, 2022

  • 无监督特征选择以识别机器学习中的重要 ICD-10 编码：以冠状动脉疾病患者队列为例的案例研究

    本研究比较了多种无监督特征选择方法以选择最佳 100 个特征，结果显示 Concrete Autoencoder 方法在重现特征空间和预测 90 天死亡率方面的表现优于其他方法。此外，该方法中 ICD 树的权重调整可降低特征的复杂性。

    Mar, 2023

  • 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