Sep, 2023

复杂医学决策中人工智能人机协同的再思考：一项败血症诊断案例研究

PDF
TL;DR该研究旨在探讨 AI 系统的设计要求，以支持临床专家在早期诊断败血症方面做出更好的决策。通过对现有 AI 预测模块的基于医疗记录的电子健康档案系统的临床专家的形态学研究，该研究构建了 SepsisLab，通过 AI 算法预测败血症发展并可视化预测的不确定性，并提供减少不确定性的可行建议，从而展示了 SepsisLab 在人机协作方面的潜力，对未来的 AI 辅助败血症诊断和其他高风险医学决策具有重要意义。
发现论文，激发创造
  • 利用深度学习技术对电子健康记录事件序列进行早期感染性休克检测

    本研究提出一种基于深度学习方法的感染监测系统：该系统利用电子病历等数据预测感染发生的可能性并辅以早期干预以提高为病人争取更多时间，其性能表现在 AUROC 值为 0.856，可在感染发生前三小时预测。

    Jun, 2019

  • 使用机器学习和临床自然语言处理在急诊接诊时准确检测败血症

    研究以机器学习算法 (KATE) 为基础，与就诊数据进行综合，能够在急诊科中高准确度地诊断感染性休克，并且其在重症感染和感染性休克的诊断性能明显优于常用的诊断方案。

    Apr, 2022

  • 机器学习诱发的脓毒症过度诊断的量化研究

    通过集成预测模型标签与簇医学轨迹的方法，本研究开发了一种创新的方法，可以在模型开发期间预测性的检测到潜在的过度诊断病例，以提供安全的计算机诊断工具使用指南。

    Jul, 2021

  • 使用脱机强化学习学习连续空间中败血症的最佳治疗策略

    提出一种基于历史数据的新型医疗决策模型，使用深度强化学习解决了传统去强化学习中与环境交互的问题，能够进行连续状态 - 行动决策空间中的决策，建议的治疗方案比临床医生建议的更具价值和可靠性，能够提供个性化和可解释的抗感染治疗决策，进而提高患者的护理水平。

    Jun, 2022

  • 早期脓毒症预测的多子集方法

    利用机器学习和多子集方法进行感染性休克早期预测可缩短预测时间，并以时变趋势特征进一步改进早期预测的性能。

    Apr, 2023

  • 深度强化学习用于脓毒症治疗

    该研究提出了一种使用连续状态空间模型和深度强化学习推断感染性休克患者治疗方针的方法，模型可以学习临床可解释的治疗方针，为深度减轻和改善患者生存率提供辅助。

    Nov, 2017

  • ICU-Sepsis：基于真实医疗数据构建的基准 MDP

    ICU-Sepsis 是一个用于评估强化学习算法的基准环境，可以模拟 ICU 中脓毒症患者的个性化护理。它是一个轻量级的表格 MDP 环境，适用于各种强化学习算法，并且具有挑战性，可用于评估其性能。

    Jun, 2024

  • 利用贝叶斯网络结构学习研究败血症潜在原因

    通过结合临床专业知识与基于评分、基于约束和混合结构学习算法，该研究研究了可能受政策决策影响的败血症潜在原因的潜在因果结构，并发现慢阻肺、酒精依赖和糖尿病等风险因素的存在会增加患者患败血症的可能性，从而对政策具有潜在影响。通过评估模型在预测败血症方面的能力，发现共识模型的预测准确度、敏感度和特异度均在 70% 左右，AUC 为 80%，说明该模型的因果结构在只使用可供委托目的的数据训练的情况下是相当准确的。

    Jun, 2024

  • 公平教育 AI 用于解释性创伤性脓毒症死亡预测模型

    本研究针对医疗领域中人工智能应用的公平性和可解释性的关键需求，提出了一种通过预测模型来改善公平性的方法，并介绍了一种新型特征重要性算法，用于解释各个特征对公平性的贡献。该方法不仅有助于识别和减轻预测模型中的偏见，也增加了模型预测的透明度和公平性，从而为提供更公平可信赖的医疗服务做出了贡献。

    Apr, 2024

  • 一种基于知识蒸馏的多变量临床时间序列中的感染性休克预测方法

    通过知识蒸馏和约束变分推断，我们使用一个高预测能力的 “教师” 神经网络模型来训练一个 “学生” 潜在变量模型，学习可解释的隐层表示，以实现对脓毒症预测结果的高准确性。

    Nov, 2023