Jul, 2023

通过知识图谱和闭合形式连续时间液态神经网络为患者护理打造数字孪生

PDF
TL;DR本文提出一个新框架，通过使用知识图谱和连续时间神经网络，将患者健康数据合成为多模态数据，以便进行实时分析，从而为数字孪生模拟和个性化医疗提供全面和适应性的视图及实时分析。
digital twinpersonalized medicinehealthcareknowledge graphneural networks
发现论文，激发创造
  • 用于疾病建模的数字孪生生成器

    患者的数字孪生是描述其健康状况随时间演变的计算模型。我们描述了一种可以学习临床轨迹条件生成模型的神经网络架构，称为数字孪生生成器（DTGs），通过改变训练集并调整超参数，该架构可以为 13 种不同症状的患者生成准确的数字孪生。通过引入通用的架构，我们旨在解锁机器学习方法在更大的数据集和更多症状上的可扩展性，以便可以为世界上的任何患者创建数字孪生。

    May, 2024

  • 医疗数字化双生子的控制与人工神经网络

    个性化医学的目标是根据患者的独特特征量身定制干预措施。本研究介绍了一种基于动态信息的神经网络控制器作为对医学数字孪生的控制方法，并通过在两种常用的基于代理的模型类型上进行实验和评估验证了该方法的有效性。

    Mar, 2024

  • 基于图表示的患者医疗状况预测：朝向数字孪生

    本文提出了一个框架，将 AI 算法和数学建模相结合，以提供全面的生理条件视图，并展示了整体有机体概率模拟和分子数据驱动的临床模型集成的潜力，这有助于解决将多尺度计算模型与 AI 相结合的重要技术挑战，从而实现了医疗保健的数字孪生兄弟的目标。

    Sep, 2020

  • 计算病理学中健康数字孪生的应用视角

    数字健康孪生可以定义为物理人的虚拟模型，由临床、分子、治疗参数、传感器数据和生活条件组成；与计算病理学相结合，有助于创建计算模型；数字临床试验的集成，必须考虑隐私保护措施。

    Nov, 2022

  • TWIN-GPT: 通过大型语言模型的临床试验数字孪生

    该研究论文介绍了一种基于大型语言模型的数字孪生创建方法，名为 TWIN-GPT。TWIN-GPT 可以对医疗信息进行跨数据集关联并生成独特的个性化数字孪生，从而保留个体患者特征。全面的实验证明，使用 TWIN-GPT 创建的数字孪生可以提升临床试验结果预测的准确性，超过了其他预测方法。此外，研究还证明了 TWIN-GPT 可以生成与特定患者非常接近的高保真试验数据，在数据稀缺情况下提供更准确的结果预测。此外，该研究为数字孪生在医疗保健领域的应用提供了实证证据，并强调了其潜在的重要性。

    Apr, 2024

  • 利用物理信息的自我监督学习创建的非侵入性医学数字孪生体

    通过构建数字孪生病程模型，我们提出了一种使用非侵入性患者健康数据来识别数字孪生模型参数的方法，借助物理信息的自监督学习算法，我们应用该方法在无监督疾病检测和模拟临床试验中的心脏血流动力学方面展示了其实用性。

    Feb, 2024

  • 数字孪生图：物联网世界的自动领域无关构建，融合和模拟

    本文提出了数字孪生图（DTG）的概念，是一种自动化的、不依赖领域专家的数字孪生构建方法，采用数据驱动和图学习方法应对数字孪生的挑战。

    Apr, 2023

  • 使用机器学习验证医院数字孪生模型

    本文介绍了使用基于代理的仿真模型来创建数字孪生体以优化医疗流程，使用机器学习以验证模型并进行敏感性分析的工作。

    Mar, 2023

  • 土木工程结构的数字孪生框架

    本研究提出了一种基于预测性数字孪生的方法，用于土木工程结构的健康监测、维护和管理规划，通过动态贝叶斯网络建模实现了实时的结构健康诊断和故障预测，并利用此信息用于动态决策框架中的维护和管理行动的优化规划。通过两个综合案例研究，验证了该方法对健康感知数字孪生的动态决策能力。

    Aug, 2023

  • 非线性动力系统的数字双胞胎：一个视角

    对于非线性动力系统的数字孪生，其基本要求是能够生成系统的演化并预测潜在的灾难性紧急行为，以提供早期警示。数字孪生可以实时用于系统的 “健康” 监测和预测问题的解决。构建非线性动力系统的数字孪生有两种方法：稀疏优化和机器学习。本文描述了这两种方法的基本概念并讨论了它们的优势和注意事项。

    Sep, 2023