Jul, 2023

利用时空自注意力预测长期 COVID 患者的结果

PDF
TL;DR本研究提出了一种空时关注机制，可以从时间维度和特征空间共同衡量特征重要性，以识别 COVID-19 的后续慢性病。实验结果表明，在长 COVID 患者的预测结果中，Local-LSTM 和联合空时关注优于其他有关方法。此提出的方法为长 COVID 的严重评估提供了一种临床工具。
long covidpost-acute sequelaespatiotemporal attentioncomplicationsoutcome prediction
发现论文，激发创造
  • 后新冠肺炎患者的长期神经系统后遗症：用机器学习预测结果的方法

    这项研究揭示了 COVID-19 后遗症患者中长期神经并发症的普遍性，并展示了机器学习在预测结果方面的潜力，从而为改善患者管理和促进更好的健康结果做出了贡献。

    Sep, 2023

  • 利用深度学习分析 NIH N3C 和 RECOVER 治疗方案的历史诊断编码数据，确定 Long Covid 的风险因素

    使用诊断代码数据及深度学习，我们能够预测出是否出现了了长期 COVID 症状并从最高分诊断方案中判断出其中较重要的因素。

    Oct, 2022

  • 通过机器学习分析认知后 COVID-19 多器官功能障碍

    利用人工智能和机器学习技术分析和预测 Post-COVID-19 综合征中的多器官功能障碍的应用，以提高早期诊断和管理此复杂情况的效果，进而改善患者的疗效和生活质量。

    Sep, 2023

  • STAN：基于实际证据的时空关注网络用于疫情预测

    本文通过使用真实世界患者数据和地理数据以及传染病传播定律设计的损失项来提高预测准确性，提出了一种基于定位注意力和空间 - 时间图卷积网络的流行病预测方法，并在 COVID-19 数据集上进行了测试。结果表明，这种方法在短期和长期预测中均优于现有方法，提高了预测的准确性。

    Jul, 2020

  • 一种面向移动性的深度学习模型用于长期 COVID-19 疫情预测和政策影响分析

    该研究提出了一种以图形化方式对流行病进行建模、具有更好的边缘表征以及可扩展预测能力的模型，在流动性分析方面具有很强的研究价值和政策指导意义，该模型提供了有效的工具箱，能够帮助公共卫生研究人员和政策制定者预测不同的封锁策略如何影响疫情的传播，并模拟了某些政策的影响和控制传染的预测。

    Dec, 2022

  • 通过分析推特探索长期 COVID 感染者的情绪和心理健康状况

    本研究旨在深入了解患有长期 COVID 的人的情感和心理健康，确定最关注的主题，探索他们的情绪与社交媒体活动之间的潜在关联。研究发现负面情绪在整个研究期间占主导地位，并在关键时期出现两个高峰，例如新冠病毒变种的爆发。

    Jul, 2023

  • 短程和长程医学影像时间序列的时空表示学习

    基于医学深度学习，本研究提出了两种方法来分析短期和长期的时间发展，通过结合对比学习和时间嵌入以及遮罩和预测潜在帧表示，实现了对生理功能和疾病进展的自动化分析。

    Mar, 2024

  • 图形消息传递与跨位置关注，用于长期 ILI 预测

    本篇论文提出了基于跨地区关注机制的图神经网络来学习时序嵌入和位置感知关注，以及将图消息传递框架与关注矩阵相结合建模疾病传播，经真实世界的流行病相关数据集的比较，本文所提出的方法表现出强大的预测性能和长期疫情预测的可解释性结果。

    Dec, 2019

  • 基于深度学习的多模式 COVID-19 症状检测和概率加权模式

    本文提出了一种多模式方法，通过结合现有的卷积神经网络深度学习分类器和一个新的考虑每种症状流行度的概率加权函数，以预测 COVID-19。实验结果表明，在考虑加权函数时，相比于等权重函数，我们的方法显著提高了 COVID-19 的检测效果。

    Sep, 2021

  • 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