Aug, 2023

应用脑电图数据进行心脏停跳后昏迷患者的神经系统预后评估：一种具备竞争风险的动态生存分析框架

PDF
TL;DR本论文介绍了一种动态框架，用于利用脑电图数据对心脏骤停后昏迷患者的神经预后进行预测，并通过比较三种现有的支持竞争风险的动态生存分析模型在实际数据集上的性能，展示了该框架的实验结果。
neurological prognosticationpost-cardiac-arrest comatose patientseeg datadynamic survival analysis modelcompeting risks
发现论文，激发创造
  • 从心跳骤停后预测昏迷神经恢复的多模态深度学习方法

    预测心脏骤停后昏迷状态中的神经恢复，使用临床数据和时间序列信号（如多通道脑电图和心电图），本研究展示了多模态的建模方法，基于二维光谱图表示的脑电图信号，结合临床数据和直接从脑电图记录中提取的特征。通过使用转移学习在医学分类中的有效性和局限性，研究表明模型的性能与决策阈值的选择密切相关，并在数据划分中表现出较大的可变性。

    Mar, 2024

  • 昏迷患者自身和交叉通道关注机制下的多通道脑电图数据分析

    通过深度学习方法对双极脑电图记录进行预测，在高特异性、减少误报的目标函数优化下，利用多通道脑电图阵列对神经系统不良结局进行有效预测，并通过我们团队提出的 ONG IVS 框架，在挑战性验证数据上取得了 0.57 的得分。

    Sep, 2023

  • 神经细分 - 针对竞争风险的单调神经网络

    本文利用受限单调神经网络对具有竞争风险的生存分布进行建模，确保了在减少计算成本的同时实现了精确的最大似然估计，并在一项合成和三个医学数据集上展示了解决方案的有效性。最后，我们讨论了在开发医疗实践风险评分时考虑竞争风险的意义。

    May, 2023

  • 心电图深度学习预测术后死亡率

    通过开发一种基于 ECG 信号的深度学习算法，可以提高预测术后死亡风险的准确性，其鉴别能力优于修正心脏风险指数评分，患者风险等级可以帮助区分手术前死亡风险。该算法在多个手术类型的患者和两个独立医疗系统的患者中都有较好的表现。

    Apr, 2022

  • 利用选择性状态空间模型预测急性脑功能障碍状态的多队列研究

    使用电子健康档案数据动态预测重症监护病房中患者的急性脑功能障碍、昏迷和死亡的研究。通过比较神经网络模型 MAMBA 和 Longformer Transformer 的预测性能，作者在 12 小时内对急性脑功能障碍的预测取得了 0.95 的平均 AUROC，并在不同状态间的转变预测方面取得了 0.79 的平均 AUROC。

    Mar, 2024

  • 动态生存分析作为早期事件预测

    该研究通过将风险定位集成到警报策略中，通过动态生存分析 (DSA) 推进医疗保健中的早期事件预测 (EEP)。通过将 DSA 模型与传统 EEP 基准进行适应和评估，我们的研究表明它们能够在时间步级别上与 EEP 模型相匹配，并通过一种新的警报优先级方案显著提高事件级别指标 (最高 11% 的 AuPRC 差异)。这种方法代表了预测性医疗保健的重大进展，为早期事件预测和管理提供了更细致入微、可操作的框架。

    Mar, 2024

  • 一种统一的贝叶斯方法，用于预测早产儿脑龄，并建模脑电睡眠转换随年龄的变化

    该论文提出了一种使用贝叶斯网络和多个高斯混合模型进行睡眠分期和评估早产儿脑发育的方法，从而提高预测准确性。

    Sep, 2018

  • 基于域引导图卷积神经网络增强基于脑电图的神经疾病诊断

    使用 EEG-GCNN 模型对神经疾病的诊断进行改进，重点是区分由专家分类为 “正常” 的病人的异常头皮脑电波与健康人的头皮脑电波。在两个大型头皮脑电波数据库中的实验表明，EEG-GCNN 模型的 AUC 值达到 0.90，表现显著优于人工基准和传统机器学习基准。

    Nov, 2020

  • 癫痫发作预测的比较分析：探索多样的预处理技术和机器学习模型

    应用机器学习模型对脑电图数据进行比较分析，发现 Extra Trees 模型表现最佳，在癫痫发作预测方面具有更准确和稳健的性能。

    Aug, 2023

  • 利用 DreamDiffusion 的图像脑电图睡眠数据的新方法来改善脑损伤患者的生活质量

    经过改进的 DreamDiffusion 模型使用 EEG 信号提取特征，通过 StableDiffusion 将信号转化为图像，从而帮助理解昏迷患者的思维。

    Jul, 2024