Jun, 2023

又一款ICU基准测试：用于临床机器学习的灵活多中心框架

HTML
PDF
TL;DR该研究介绍了一个名为“YAIB”的模块化框架，旨在为医疗保健机器学习领域定义可重复和可比较的实验，支持大部分开放获取的重症监护病房数据集，并为多个机器学习和深度学习模型提供透明的预处理管道和可扩展的训练代码。通过这个框架，作者发现数据集、分类定义和预处理工具对模型预测性能有着重要影响。
发现论文，激发创造
  • 基于MIMIC大型医疗数据集的深度学习模型对比

    本篇论文通过 MIMIC-III 数据集进行临床预测任务（如死亡率预测、住院时间预测以及 ICD-9 编码分组预测）的基准测试，结果表明，相较于基于机器学习模型和预测评分系统，深度学习模型在使用原始临床时间序列数据作为输入特征时有更好的表现。

    Oct, 2017

  • HOLMES: 重症监护室深度学习模型的健康在线模型集成服务

    本文提出了一种在线模型集成服务框架 (HOLMES) 来应对医疗应用中的实时决策需求和准确性需求，在实现高精度的同时满足亚秒级的端到端预测延迟限制，通过测试证明其在儿童心脏 ICU 数据的风险预测任务上能够达到 95% 以上的预测准确率和亚秒级的预测延迟。

    Aug, 2020

  • 基于深度学习的ICU早期预警的普适性：一项回顾性实证评估

    本研究使用四个数据来源的数据，评估深度学习模型在不同医院的准确性，在模型性能方面，多数据来源模型表现相当，明确优化模型的方法并没有显著提高性能。

    Mar, 2023

  • 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

    本研究利用回溯检验提取的两个队列，发展了一种新的伪动态机器学习框架，用于重症监护病房的死亡预测，实现了可解释性和临床风险分析，并成功地结合了时间序列生理测量技术，从而能够提供时间分辨率的解释结果。

    May, 2023

  • 利用放射学报告和图像改善 ICU 死亡率预测的实证研究

    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

  • 可解释机器学习在ICU复诊预测中的应用

    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

  • 危重病患的快速且可解释的死亡风险评分

    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

  • 基于数据驱动的机器学习方法预测院内脓毒症死亡率

    本研究针对院内脓毒症死亡预测中的特点选择和模型可解释性不足的问题，提出了一种可解释且精准的机器学习模型。通过对MIMIC-III数据库的ICU患者记录进行详细分析，随机森林模型在精确度和AUC方面表现优异，证明了数据驱动的机器学习在医疗保健中提高院内死亡预测的潜力。

    Aug, 2024

  • 优化ICU心力衰竭患者的死亡率预测：利用XGBoost和先进的机器学习与MIMIC-III数据库

    本研究解决了ICU心力衰竭患者死亡率预测不准确的问题。通过分析MIMIC-III数据库中1,177名患者的数据，采用了先进的特征选择方法和机器学习模型比较，发现XGBoost模型在AUC-ROC测试中表现优异，达到了0.9228，为临床提供了识别高风险患者的有效工具，潜在提高护理结果。

    Sep, 2024

  • DeLLiriuM：用于重症监护室中预测谵妄的大型语言模型，基于结构化电子健康记录

    本研究解决了重症监护室患者中谵妄早期检测不足的问题，提出了一种基于大型语言模型DeLLiriuM的谵妄预测新方法。通过使用来自195家医院的104,303名患者的结构化电子健康记录数据，研究表明DeLLiriuM在外部验证集中的预测性能显著优于现有的深度学习基线，为临床干预提供了可靠依据。

    Oct, 2024