Oct, 2023

基于纵向结构化电子健康记录的氯吡格雷治疗失败的检测与预测

PDF
TL;DR我们提出机器学习算法，利用纵向结构化的电子健康记录（EHR）自动检测和预测氯吡格雷治疗的失败。通过将自然语言和结构化 EHR 进行类比，我们引入了自然语言处理（NLP）应用中使用的各种机器学习算法来构建处理失败检测和预测的模型。在此方面，我们从英国生物库中生成了一个患有氯吡格雷处方的患者队列，并注释了患者在首次氯吡格雷处方的一年内是否发生处理失败事件；在 502,527 名患者中，1,824 名患者被确定为处理失败病例，6,859 名患者被视为对照病例。从数据集中，我们将患者的诊断、处方和程序记录整合到相同日期的访问中来构建模型。模型为两个不同的任务，即检测和预测构建，实验结果显示在这两个任务中，时间序列模型优于词袋方法。特别是，一种基于 Transformer 的模型，即 BERT，在检测任务中可达到 0.928 的 AUC，而在预测任务中可达到 0.729 的 AUC。当没有足够的训练数据时，BERT 还显示出优势，因为它利用使用大量未标记数据的预训练过程。
machine learning algorithmsclopidogrel treatment failurelongitudinal structured electronic health recordsnatural language processingbert
发现论文，激发创造
  • 建模健康记录的数据增强方法及其在氯吡格雷治疗失败检测中的应用

    我们提出了一种新颖的数据增广方法来解决在使用自然语言处理算法对患者的电子健康记录中建模纵向模式时面临的数据稀缺挑战。该方法通过重新排列访问中医疗记录的顺序来生成增广数据，在顺序不明显的情况下，如果有的话。将该方法应用于氯吡格雷治疗失败检测任务中，在预训练过程中使用增广技术使得 ROC-AUC 指标（从 0.908—— 没有增广到 0.961—— 使用增广）提升了 5.3％。同时，通过增广技术在有限标记训练数据的情况下，还能够改善精细调整过程中的性能。

    Feb, 2024

  • 可扩展和准确的电子健康记录深度学习

    使用电子健康记录进行循证医学和准确预测，通过 Fast Healthcare Interoperability Resources (FHIR) 格式表示病人的原始病历记录，并使用深度学习方法进行多中心的多个医疗事件预测，包括住院死亡率、未经计划的 30 天再入院率、医院停留时间延长、所有患者的最终出院诊断等。

    Jan, 2018

  • 利用多任务门控循环单元从电子医疗记录预测心血管疾病的发病

    本研究提出了一种基于多任务循环神经网络和注意机制的方法，用于预测心血管事件。与标准的临床风险评估模型相比，该模型在预测中风和心肌梗死方面具有更好的性能，并且在短期内的预测效果可以通过使用多任务学习得到提升。同时，该研究还探讨了个体特征和注意力权重对于预测心血管事件的重要性，并证明了机器学习技术可以被应用于二级保健。

    Jul, 2020

  • 利用电子病历数据学习辨识高血压未受控病人风险

    发展机器学习模型来预测三个月内具有高血压风险的患者，并使用电子健康记录数据来训练和测试模型，结果表明逻辑回归模型的表现优于循环神经网络模型，这表明我们需要包括线性模型作为预测任务的强基准

    Jun, 2019

  • MedGPT：临床叙述中的医学概念预测

    使用命名实体识别和链接工具（即 MedCAT）对电子病历的自由文本部分进行结构化和组织，从而预测出一系列的未来医疗事件（最初是疾病），MedGPT 有效地处理了噪声和额外细粒度， 并在 King's College Hospital 的真实世界医院数据上表现出色。

    Jul, 2021

  • 使用电子医疗记录的患者诊断预测深度学习管道

    机器学习在疾病诊断和决策方面的应用正变得越来越流行。本文开发了一种 Python 包，将公共卫生数据集转换为易于访问的通用格式，以便于构建有用的疾病诊断预测系统，并提出了两种新的模型架构进行疾病诊断多类别预测，一种使用结构化数字数据，另一种结合自然语言处理方法和可解释的可视化。这些模型都能够高准确度地预测多种诊断。

    Jun, 2020

  • 机器学习预测急性心肌梗死后的长期死亡率：基于收集的收缩时间间隔和临床数据

    该研究调查了树模型在长期死亡预测上的表现，并研究了两种近期引入的生物标志物对长期死亡的影响。研究采用来自中国台湾卫生福利部的 CCHIA 公开数据，以及从 139 例急性心肌梗死患者收集的医学和人口统计学数据，使用先进的集成树模型算法预测了 14 年内的全因死亡率，并发现添加生物标志物后算法的性能有所提高，可更好地为高风险个体确定治疗优先级。

    Mar, 2024

  • 从电子健康记录中学习医疗概念表示，并在心力衰竭预测中应用

    本文提出了一种将电子健康记录中的医疗概念和患者转化为临床有意义的构建特征的基于数据驱动的方法，从而通过时间关系来学习医学概念的表示和病人向量，达到对诊断和治疗的性能优化。

    Feb, 2016

  • 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

  • 利用电子健康记录自动预测精神疾病患者的死亡

    使用预测性机器学习模型和电子健康记录来预测心理诊断患者的死亡率所带来的持久挑战，机器学习算法（逻辑回归、随机森林、支持向量机和 k 近邻）的结果表明随机森林和支持向量机模型优于其他模型，AUC 得分为 0.911，药物处方，尤其是硫酸吗啡在预测中起到关键作用。这项研究可用于帮助医院工作人员识别有风险的患者，减少过度死亡。

    Oct, 2023