Sep, 2023

可解释机器学习在 ICU 复诊预测中的应用

PDF
TL;DR通过标准化和可解释的机器学习流程，该研究在多中心数据库上建模和预测了患者再次入院，使用随机森林分类模型获得了高达 0.7 的预测性能，并提供了对生命体征、血液检查、人口统计学信息和 ICU 相关变量等方面的有见地的结果，对临床医生的决策提供了宝贵的信息。
intensive care unitreadmissionmachine learning pipelinepredictive performanceclinical decision-making
发现论文，激发创造
  • 重症监护病房非计划性再入院预测：一种多模态评估

    通过使用最先进的机器学习方法和自然语言处理，我们检验了每种数据类型的有效性和它们组合起来的影响，以预测 ICU 患者的再次入院情况，并且在这个数据集上建立了未计划再次入院的分类等级，最终发现医生写的出院记录比其他数据类型更能够预测再次入院的情况。

    May, 2023

  • 通过知识图谱增强的多视图图卷积从医疗文本预测患者再入院风险

    本研究提出一种新的方法，使用电子健康记录（EHR）的医疗文本，通过多视图图表和图卷积网络对患者出院小结进行表征学习，以预测重返重症监护病房的风险，获得了最优的预测效果。

    Dec, 2021

  • XMI-ICU: ICU 中心特定心脏病患者假动态死亡率可解释的机器学习预测模型

    本研究利用回溯检验提取的两个队列，发展了一种新的伪动态机器学习框架，用于重症监护病房的死亡预测，实现了可解释性和临床风险分析，并成功地结合了时间序列生理测量技术，从而能够提供时间分辨率的解释结果。

    May, 2023

  • 基于电子健康记录的可解释深度学习框架用于预测医院再入院情况

    通过利用患者电子健康记录中有用的信息和新颖可解释的深度学习框架，该研究致力于预测意外住院并提高预测结果的解释性，从而减少医院成本和改善患者健康。

    Oct, 2023

  • 临床数据库 ICU 再入院率审计：风险因素和临床结果分析

    本研究针对 30 天再入院问题，提出一种基于机器学习 ML 的临床数据分类流程，以及对基于敏感属性的子组进行公平性审计，发现了不同属性组之间的公平性问题，结果强调了需要更好的公平性和偏见缓解策略，并建议研究人员、政策制定者和从业人员合作解决人工智能系统中的偏见和公平问题。

    Apr, 2023

  • 可解释预测患者路径的机器学习框架：以预测症状为脓毒症患者的 ICU 入院为例

    利用机器学习和可解释预测的方法，提供对因脓毒症症状患者的重症监护室 ICU 入院的能力，通过综合仪表盘显示患者的健康轨迹、预测结果和相关风险，提供了改进预测准确性和可解释且可操作的见解，成为危重患者医疗决策支持的有价值工具。

    May, 2024

  • 可解释的医疗索赔建模（不仅是事后解释）以预防可避免的所有原因再入院或死亡

    使用 Bayesian 模型和医疗索赔数据构建了一个可解释的生存模型，预测患者出院后的复诊和死亡风险，除了提高准确度，还能够量化相关风险因素和出院前景。

    Aug, 2022

  • 基于长短期记忆网络的医疗保险数据预测再入院率的进展

    利用保险数据，通过构建双向 LSTM 神经网络，本研究成功预测了医院的所有诊断病例中患者 30 天再次入院的风险。与随机森林分类器的结果相比，LSTM 模型的性能显著提高，证明了序列预测在该问题中的重要性。同时，加入了 30 天的历史数据后，模型的性能也有显著提高，提示历史诊疗记录的重要性。

    Jun, 2022

  • 重症监护病房患者预测模型的普适性

    本文研究了使用多种来源的数据，以 eICU 协作研究数据库为例，证明了交叉验证可以提供合理的模型性能估计，表明跨不同医院训练的单一模型具有很强的泛化能力，强调了数据共享可以优化模型的性能。

    Dec, 2018

  • 知识图谱表示用于强化重症监护时间序列预测

    通过将医学领域的知识图谱与重症监护病房的数据进行整合，结合重要体征和临床报告，提高临床决策建模的性能，特别是在数据缺失时。同时包括一个可解释性组件，以了解知识图谱节点对预测的影响。

    Nov, 2023