XMI-ICU: ICU 中心特定心脏病患者假动态死亡率可解释的机器学习预测模型
通过标准化和可解释的机器学习流程,该研究在多中心数据库上建模和预测了患者再次入院,使用随机森林分类模型获得了高达 0.7 的预测性能,并提供了对生命体征、血液检查、人口统计学信息和 ICU 相关变量等方面的有见地的结果,对临床医生的决策提供了宝贵的信息。
Sep, 2023
通过多模态 ICU 数据,本文提出了一种可解释的多模态死亡预测器(X-MMP)作为一种高效的、可解释的 AI 解决方案,用于预测住院死亡率。我们的框架采用多模态学习,可接收来自临床数据的异构输入并做出决策,同时引入一种可解释的方法,即层级传递至 Transformer,作为对 Transformer 的 LRP 方法的适当扩展,在多模态输入上产生解释并揭示与预测相关的显著特征。此外,可以可视化每种模式对临床结果的贡献,帮助临床医生理解决策背后的推理过程。基于 MIMIC-III 和 MIMIC-III 波形数据库匹配子集构建了多模态数据集。在基准数据集上进行的综合实验表明,我们提出的框架能够实现合理的解释,并具有竞争力的预测准确性。特别地,我们的框架可以轻松转移到其他临床任务中,促进了对医疗研究中关键因素的发现。
Dec, 2023
该研究调查了树模型在长期死亡预测上的表现,并研究了两种近期引入的生物标志物对长期死亡的影响。研究采用来自中国台湾卫生福利部的 CCHIA 公开数据,以及从 139 例急性心肌梗死患者收集的医学和人口统计学数据,使用先进的集成树模型算法预测了 14 年内的全因死亡率,并发现添加生物标志物后算法的性能有所提高,可更好地为高风险个体确定治疗优先级。
Mar, 2024
实验结果突出了 LSTM 模型对建立真实世界预测引擎的高效性,通过利用严格的多变量时间序列测量将时间框架缩小到 6 小时,这个自动数据驱动系统可以分析从电子健康记录中得出的大量多变量时间数据,提取高级信息以早期预测住院死亡率和住院时间。
Aug, 2023
本文采用深度学习技术,以多模态数据为特征预测 ICU 死亡率,在 MIMIC-IV 数据集上进行验证,结果显示平均 C 指数为 0.7829,明显优于基线 SAPS-II 特征 (0.7470) 并证明了已预定义标签 (2.00%)、文本特征 (2.44%) 和影像特征 (2.82%) 的贡献。
Jun, 2023
使用现代可解释的机器学习技术设计准确可解释的死亡风险评分模型,通过评估医疗中心的风险,研究领域的泛化性,并开发了一种新的算法 GroupFasterRisk,其风险评分模型在设计灵活性上比黑盒机器学习模型优于传统风险评分模型。
Nov, 2023
本文提出了一种新型生成式深度概率模型 AttDMM,用于实时风险评分,联合学习了疾病动态和不同健康轨迹下的疾病状态,通过基准数据集 (MIMIC-III) 验证效果显著,将 ICU 患者生命预警提前数小时,为做出及时干预提供了路径。
Feb, 2021
针对 COVID-19 严重患者,本研究利用九种机器学习算法和两种特征选择方法进行预测模型建立,发现重症肾脏损伤是最重要的特征。在预测死亡、ICU 需求和通气天数方面,LSTM 算法表现最佳,准确率达到 90%,敏感性为 92%,特异性为 86%,AUC 为 95%。针对通气天数的预测,DNN 算法准确率达到 88%。综合各因素和局限性,选取合适的特征和数据平衡的机器学习算法可准确预测死亡、ICU 需求和通气支持,在紧急和疫情爆发情况下非常有用。
Mar, 2024
本研究提出了一种基于专家知识的临床概念或中间特征作为解释单元的自我解释深度学习框架,并在公开的电子健康记录数据集上进行了实验。实验结果表明,该模型的解释性组件不会影响预测性能,并且模型生成的解释可以为医生提供了解病人死亡原因的洞见。
Oct, 2021
利用长短期记忆和层次注意力机制,建立深度学习模型解决 ICU 中生理时间序列数据的不规则和缺失问题,实现对 ICU 死亡风险的预测,并在 PhysioNet 2012 数据集上取得了竞争力和可解释性的结果。
Jul, 2017