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
本文研究了对于电子健康记录中的时间序列医疗数据进行聚类的方法,发展了基于深度学习的方法,利用新的损失函数,以相似的未来结果进行聚类,超过现有的基准测试,提出了可制定具体行动的信息用于临床决策。
Jun, 2020
本研究使用 MIMIC-IV 数据库作为数据来源,研究了包括温度、心率、平均血压、呼吸率和 SpO2 等动态的、高频的、多变量的时间序列生命体征数据,并比较了各种聚类算法,选择了一种名为 Time2Feat 的端到端多变量时间序列聚类系统与 K-Means 相结合的方法作为最有效的聚类方法,对 2008 年至 2016 年间入住的 8,080 名患者的数据进行了模型开发和对 2017 年至 2019 年间入住的 2,038 名患者的模型验证。通过分析不同类别之间的临床死亡预后差异,发现不同亚组之间的 ICU 死亡和住院死亡的风险不同。此外,该研究可视化了生命体征变化的轨迹。本研究的结果为多变量时间序列聚类系统在 ICU 中患者管理和监测中的潜在应用提供了有价值的见解。
Jun, 2023
通过将个性化 POD 风险预测的监督学习与无监督聚类技术相结合,我们提出了一种方法,用于发现潜在的 POD 表型,从而增进我们对 POD 病因的理解并促进针对性的预防和治疗策略的开发。
May, 2024
通过深度表示学习的方法,该研究揭示了散发性与急性呼吸衰竭的临床轨迹的不同群体,并对不同的死亡率和严重程度进行了特征化,这将为有效的预后和个体化的治疗策略提供重要的临床见解。
May, 2024
通过多变量时间序列聚类方法 SLAC-Time,作者研究了创伤性脑损伤(TBI)的动态变化以及不同年龄组对其表现和结果的影响,并发现了三种可以泛化到不同人群的 TBI 表型,分别为 α、β、γ 型,它们分别在急诊访视和重症监护期间表现出不同的临床特征。此外,通过各个年龄群体的比较,发现 TBI 表现的核心特征与年龄无关。
Jan, 2024
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
本篇研究提出了一种基于多模态 Transformer 模型的早期脓毒症预测方法,使用每位患者在 ICU 入院后 36 小时内的生理时间序列数据和临床笔记,仅利用前 12、18、24、30 和 36 小时的实验室指标、生命体征、患者特征和临床笔记进行预测。在 MIMIC-III 和 eICU-CRD 两个大型重症监护数据集上评估了我们的模型,结果证明我们的方法在所有指标上优于竞争基线。
Mar, 2022
该研究使用记忆网络和深度学习的方法,利用患者在患急性肾损伤前的结构化和非结构化电子病历数据,发现了急性肾损伤的三个亚表型,这可以更好地理解这种疾病的病理生理学并制定更有针对性的临床干预措施。
Apr, 2019
我们的研究旨在开发一种异常检测系统,以识别与预期临床发展不符的偏差。通过分析挪威北部医院信托公司(NHT)获得的 16 个月的生命体征记录,我们采用基于 STraTS 变压器架构的自监督框架来表示时间序列数据。然后,利用各种聚类技术对这些表示进行处理,以探索基于患者临床进展的潜在表型。尽管我们正在进行的研究的初步结果是令人鼓舞的,但它们强调了从患者获得的额外人口统计学信息对方法性能更全面的评估的重要性。
Nov, 2023
比较了使用不同类型医疗记录中的数据 (包括结构化医疗记录和医生笔记) 建立的不同计算表型定义对诊断 COVID-19 住院患者的性能,同时利用回顾性数据分析评估了这些定义的有效性。结果表明,利用自然语言处理方法得到的医生笔记数据集较为有效,比单纯使用结构化医疗记录的数据集或两者结合的数据集效果更好,并且住院患者的诊断分类对患者总体结局指标的测定产生了显著影响。
Feb, 2023