May, 2023

基于长期电子健康记录的标记有效的事件表型鉴定(LATTE)

HTML
PDF
TL;DR本研究提出一种LAbel-efficienT incidenT phEnotyping (LATTE)算法，旨在通过使用病程数据中的先前训练的语义嵌入向量作为先验知识，并使用反向传播和半监督联合学习，从而准确注释临床事件的时间，从而提高电子健康记录(EHR)数据支持真实世界证据(RWE)研究的可靠性。通过在三个分析中进行评估，在所有设置中，LATTE相对于基准方法（如SAMGEP和RETAIN）均获得了实质性的改进。
发现论文，激发创造
  • 基于电子病历的计算表型自然语言处理

    文章综述了自然语言处理在电子健康记录领域的应用，重点介绍了计算表型学方法，包括基于关键词搜索和基于规则的系统等算法，以及监督式机器学习模型、深度学习和非监督式学习等最近受到关注的算法。同时文章指出在病历中特征关系的处理、模型可解释性和推广性等方面仍有待解决的问题。

    Jun, 2018

  • Patient2Vec：长期电子健康记录的个性化可解释深度表示

    本文提出了一种计算框架，称为Patient2Vec，以学习可解释的深度纵向电子健康记录数据表达，并将其应用于实际患者信息以预测未来住院情况，该方法展现出明显的预测性能优势。

    Oct, 2018

  • TASTE：基于时间和静态张量分解的电子健康记录表型化

    本文提出了一种名为TASTE的张量分解算法，能够同时考虑电子健康记录中的静态和时序信息，经综合实验验证，TASTE所提取的心力衰竭患者表型效果较好。

    Nov, 2019

  • 利用时间注意力网络模拟患者旅程数据中的长期依赖和短期相关性，进行健康预测

    本文提出使用带有四个模块的神经网络分析病人旅程的疾病预测。通过将时间间隔作为辅助信息，建立了前瞻式的病人旅程的潜在进展模式，其中短期相关性建模并贡献于病人旅程的本地先验生成，并在MIMIC-III数据集上展示了更高的预测准确性。

    Jul, 2022

  • sEHR-CE: 结构化电子病历语言建模，用于高效和可推广的患者队列扩展

    本文提出了一种基于Transformers的新型框架sEHR-CE，可以在不需要映射的情况下，对异构临床数据集进行集成表型和分析。使用预训练的语言模型来预测疾病表型的准确性高于非文本和单个术语方法，并且用2型糖尿病为例说明如何识别没有诊断但具有与患者相似临床特征的个体。

    Nov, 2022

  • 通过深度时间插值和聚类网络在生理特征上识别急性疾病表型

    通过研究对医院入院的最初几个小时进行聚类分析，提取生命体征数据，确定患者表型与病理生理特征及结果，以支持早期临床决策，对分析重现性和与生物标志物的相关性使用了一个规模较大的数据集。

    Jul, 2023

  • 医学时间序列的事件对比学习

    通过引入基于事件的对比学习（EBCL）方法，本文提出了一种用于学习保留关键指标事件之前和之后的异构患者数据的嵌入的方法，并证明相比不利用关键医学事件周围的时间信息的其他表示学习方法，EBCL 产生的模型在包括 30 天再住院、1 年死亡率和 1 周住院时间的关键后续任务的微调性能更好。

    Dec, 2023

  • 多模态电子健康记录的动态嵌入和标记化的时间交叉注意力

    我们提出了一个动态嵌入和分词框架，通过学习多模态临床时间序列的时间感知表示，并结合时间交叉注意力，将其整合到滑动窗口关注的多任务Transformer分类器中，在预测超过120,000例住院手术的九种术后并发症的示例任务中，使用来自美国三家医院和两个学术医疗中心的多模态数据，我们的嵌入和分词框架优于基线方法。

    Mar, 2024

  • ACES: 用于事件流数据的自动群体提取系统

    利用自动队列提取系统（ACES）提高医疗领域机器学习的研究可重复性，降低 ML 任务定义门槛，并改善电子健康记录数据集的研究互动方式。

    Jun, 2024

  • CTPD：用于增强多模态电子健康记录分析的跨模态时间模式发现

    本研究解决了传统方法未能有效捕获跨患者的临床时间模式的问题，提出了一种跨模态时间模式发现框架（CTPD），通过引入共享的初始时间模式表示与槽注意力机制，能够高效提取多模态电子健康记录数据中的有意义时间模式。我们的研究表明，CTPD框架在48小时住院死亡率和24小时表型分类等临床关键任务中表现优于现有方法，显著提升了临床结果预测的准确性。

    Nov, 2024