Aug, 2023

通过临床和数字数据的综合分析对患者进行聚类

PDF
TL;DR本研究介绍了一种基于患者数据的新型患者聚类模型，利用约束低秩逼近的方法，结合患者的临床数据以及数字交互数据（包括浏览和搜索），构建患者个人资料。通过生成非负嵌入向量作为患者低维表示，我们的模型在真实世界的患者数据上进行了评估，综合考虑了聚类和推荐功能，与其他对照组相比，我们的方法在聚类一致性和推荐准确性方面表现出卓越性能。
patient clustering modelclinical datadigital interaction datapatient profilesrecommendation accuracy
发现论文，激发创造
  • WellFactor：基于医疗数据的综合嵌入类患者画像

    使用约束低秩逼近法的 WellFactor 方法，整合来自传统医疗记录和医疗网站等不同来源的数据，生成患者档案，提高分类性能、患者聚类和相似性搜索的准确性。

    Dec, 2023

  • 基于医学概念嵌入的深度架构衡量病人相似度

    本文提出了一个基于纵向病人电子健康记录 EHR 的病人相似性评估框架，结合卷积神经网络和医疗概念嵌入实现对病人临床记录的最优表示，进而提高了病人相似性的性能。

    Feb, 2019

  • 利用医疗概念丰富无监督用户嵌入

    本研究提出了一种概念感知的无监督用户嵌入方法，结合来自 MIMIC-III 和 Diabetes 两个临床语料库的文本文档和医学概念，用于疾病诊断和病人特征研究等领域，实验证明该方法的性能明显优于现有的无监督方法。

    Mar, 2022

  • 基于专业知识学习的在线健康论坛中的医生推荐

    本文研究了一种新的医生推荐任务，使用医生的个人资料和上下文对话，结合多头自注意机制来自动地把一个患者与一个拥有相关专业知识的医生匹配起来，此方法在一个大规模的在线医疗论坛的实验中表现出卓越的效果，优于只考虑医生资料和过去对话的基线方案。

    Mar, 2022

  • 连接医疗设备的多变量时间序列聚类模型的比较研究

    在医疗保健领域，通过收集多变量时间序列的患者数据，可以全面了解患者的健康状况。在缺少标签的情况下，可以利用预测模型预测未来值，并且形成潜在的聚类空间。我们比较了两种模型（M AGMAC LUST 和 DGM2），通过使用 Withing 的数据集进行评估，前者聚类整个时间序列，而后者允许个体的群组归属随时间改变（即动态聚类）。

    Dec, 2023

  • 用于患者表征的深度规范化嵌入

    本文介绍了一种新的对比表示学习目标和训练方案，针对临床时间序列。该方法能将高维的医疗记录数据投影到低维的封闭单位球上，以编码几何先验，从而学习患者的死亡风险和器官功能，该方法可用于在线患者监测，并可提供临床医生的决策支持和改进下游机器学习任务的性能。

    Apr, 2022

  • Patient2Vec：长期电子健康记录的个性化可解释深度表示

    本文提出了一种计算框架，称为 Patient2Vec，以学习可解释的深度纵向电子健康记录数据表达，并将其应用于实际患者信息以预测未来住院情况，该方法展现出明显的预测性能优势。

    Oct, 2018

  • 基于图增强的时间敏感模型从临床时间序列数据预测治疗启动

    该研究旨在通过使用双分图表示患者和医生之间的关系，将患者和医生之间的相似性作为时间敏感预测模型的潜在表示方法，并对慢性淋巴细胞白血病患者进行治疗首次疗程的预测实验，结果表明与多个基线相比，和关系相似度能够提高预测准确率达到 5%。

    Jul, 2019

  • 深度嵌入解释疾病进展聚类

    本篇研究提出了一种新的深度嵌入解释方法用于患者聚类，以英国生物银行中的 2 型糖尿病参与者数据为评估标准，展示了对疾病进展模式的临床意义上有意义的见解。

    Jul, 2023

  • 非临床文本信息检索在癌症相关论坛帖子的高效标注

    本研究使用分布式计算，文本检索，聚类和分类方法，构建了一个完全功能的原型系统，可以从非临床和免费的在线信息中澄清癌症患者轨迹。聚类结果表明，邻域半径对聚类性能影响最大。达恩麻省理工学院模型可以在 46.1 秒内对 50000 个论坛帖子进行聚类，而 DBSCAN（143.4）和 HDBSCAN（282.3）则需要更多时间。

    Mar, 2023