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)

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。
electronic health recordreal-world evidencelatte algorithmclinical event timingsemi-supervised training
发现论文，激发创造
  • LATTE：用于生物医学实体链接的潜在类型建模

    本文介绍了一种用于解决生物医学领域实体链接问题的模型 LATTE，该模型通过建模提及和实体的潜在类型信息来提高实体链接的性能，并且在 MedMentions 数据集和医生笔记语料库上取得了显著的表现提升。

    Nov, 2019

  • 基于纵向实验室检验的多任务疾病发作预测

    本研究采用机器学习方法，结合各种测量指标，包括检验实验室检测结果等信息，使用 Long Short-Term Memory 和两种卷积神经网络，基于 298K 患者 8 年行政索赔数据中的 18 种常见实验室检测结果，对 133 种疾病风险进行预测，并通过数据实验结果对比分析表明，疾病预测方面基于深度学习的方法有很好的应用前景。

    Aug, 2016

  • 临床终点预测中异质性时间事件的联合表达学习

    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

  • 从电子健康记录中学习医疗概念表示，并在心力衰竭预测中应用

    本文提出了一种将电子健康记录中的医疗概念和患者转化为临床有意义的构建特征的基于数据驱动的方法，从而通过时间关系来学习医学概念的表示和病人向量，达到对诊断和治疗的性能优化。

    Feb, 2016

  • 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

  • 利用电子病历进行基于标签与事件引导下的可解释疾病风险预测

    本文提出了一种基于电子病历中的医学笔记信息预测多种疾病风险的风险预测模型，并采用事件引导机制和标签依赖机制实现了对其预测结果的可解释性。

    Jan, 2022

  • 朝着可解释的风险预测减少诊断误差

    使用 LLMs 方法识别患者电子健康记录中表明特定诊断风险增加或减少的证据，以提高证据获取并减少诊断错误。通过神经附加模型在临床医生不确定时点进行预测，具有个体化的风险估计，旨在减少诊断延误和因不完整鉴别引起的错误。使用 LLMs 推断细粒度的过去真实诊断标签，确保输入文本在自信诊断之前。通过模型学习的相关性，从初始证据集中筛选出更精确的证据，通过模拟临床医生在预定义鉴别诊断列表中选择来详细评估我们方法的实用性。

    Feb, 2024

  • 常规收集的多变量 ICU 生理信号中的共同潜在表示的协作学习

    在重症监护室（ICU）中，多元时间序列的丰富性为机器学习提供了改进患者表型刻画的机会。与以往主要关注电子健康记录（EHR）的研究不同，本文提出了一种使用常规收集的生理时间序列数据进行表型刻画的机器学习方法。我们的新算法将长短期记忆（LSTM）网络与协同过滤的概念相结合，识别出患者之间共同的生理状态。在实际世界的 ICU 临床数据中测试，我们的方法在脑损伤患者颅内高压（IH）检测方面取得了 0.889 的曲线下面积（AUC）和 0.725 的平均精度（AP）。此外，我们的算法在学习生理信号的结构化潜在表示方面优于自编码器。这些发现突显了我们方法在利用常规多元时间序列改善临床护理实践的患者表型刻画方面的巨大潜力。

    Feb, 2024

  • 使用结构化纵向电子健康记录数据激励大规模语言模型进行零样本临床预测

    针对结构化长期电子健康记录 (EHR) 数据与大型语言模型 (LLMs) 集成时的固有复杂性，本研究调查了像 GPT-4 这样的 LLMs 对 EHR 数据的适应性。特别关注其零样本能力，使其能够在并未明确训练的情况下进行预测。通过考虑特定的 EHR 特征 (如单位和参考范围)，采用与临床环境相一致的上下文学习策略，我们的寻求方法能够应对 EHR 数据的纵向、稀疏和知识注入的特性。通过对 MIMIC-IV 和 TJH 数据集进行综合实验，证明了我们精心设计的提示框架下，LLMs 在关键任务 (如死亡率、住院天数和 30 天再入院率) 的预测性能可以提高约 35％，在少样本情景中超越了机器学习模型。我们的研究强调了 LLMs 在提高临床决策能力方面的潜力，尤其是在没有标签数据的紧急医疗情况下，如新发疾病的爆发。可通过此 https URL 获得代码，以便能重现研究结果。

    Jan, 2024

  • 基于检索增强生成的大型语言模型在零样本疾病表型分类中的应用

    通过使用零射击的基于大型语言模型的方法，结合检索增强生成和 MapReduce 技术，我们在肺动脉高压领域展示了一种有效识别疾病的方法，该方法在诊断中明显优于医生逻辑规则（F1 分数为 0.62 比 0.75），从而有望增强罕见疾病群体的识别和推动临床研究以及关注空缺的发现。

    Dec, 2023