DySurv: ICU 生存预测的动态深度学习模型

Oct, 2023

DySurv: ICU 生存预测的动态深度学习模型

DySurv: Dynamic Deep Learning Model for Survival Prediction in the ICU

Munib Mesinovic, Peter Watkinson, Tingting Zhu

TL;DR基于深度学习和条件变分自编码器的 DySurv 方法能够动态地利用患者电子健康记录中的静态和时间序列测量，准确地估计 ICU 中的死亡风险，并在标准基准测试中胜过大多数现有方法，表现一致且可靠。

Abstract

survival analysis helps approximate underlying distributions of time-to-events which in the case of critical care like in the icu can be a

survival analysis time-to-events icu mortality risk prediction conditional variational autoencoder

发现论文，激发创造

利用深度学习、机器学习和统计方法进行生存分析：预测住院后死亡的比较分析

应用不同的生存分析方法比较其性能，结果表明深度学习（DeepSurv）在歧视度和校准性方面表现最佳，而 AutoScore-Survival 则通过最小变量集实现了较好的性能和解释性。

Mar, 2024

深度递归生存分析

该研究提出了一种深度循环生存分析模型，结合了深度学习和生存分析，通过对每个样本的条件概率建模，捕获时间依赖性，预测真实事件发生的可能性并估计被审查数据的生存率，同时不需要假设任何特定形式的事件概率分布，在三个不同领域的实验中，该模型在各种度量标准下明显优于现有解决方案。

Sep, 2018

DeepSurv: 利用 Cox 比例风险深度神经网络的个性化治疗推荐系统

DeepSurv 是一种用于建模患者协变量和治疗效果相互作用的 Cox 比例风险深度神经网络，提供个性化治疗建议，表现良好并且可以用于调查病人特征对于失败风险的影响。

Jun, 2016

深度变分聚类生存数据

本文介绍了一种基于半监督概率方法的生存数据聚类技术，使用了深度生成模型解决了未知基础变量和被检查的存活时间分布的问题，并在广泛的数据实验中取得了良好的效果和表现。

Jun, 2021

变分深度生存机器：带有被截断结果的生存回归

通过更好地聚类生存数据和组合原始分布，本文提出了两种变体的变分自编码器（VAE），离散和连续，来生成聚类输入协变量的潜在变量。我们的模型通过同时优化 VAE 损失和回归损失进行端到端训练，实验证明了我们的方法在聚类结果和长期预测上具有竞争力，特别是在期限较长的情况下。

Apr, 2024

基于 Copula 的深层生存模型 —— 用于相关截尾数据的分析

该论文介绍了一种参数化的生存模型，通过放宽条件独立性的假设，扩展现代非线性生存分析并在合成和半合成数据中显著提高了生存分布的估计。

Jun, 2023

基于深度学习的离散校准生存预测

使用离散计算生存（DCS）方法的深度神经网络，通过优化未进行 censored 处理的患者数据和变量时间输出节点间距等两个新特性，在医学数据集上实现了最优的校准效果，并在区分方面优于其他竞争模型，这是深度学习在临床生存预测中具有最先进的性能指标的重要一步。

Aug, 2022

具有可解释专家分布的深度聚类生存机器

提出了一种混合生存分析方法，结合了区分性和生成性机制，以描述混合模型形式下的生存数据。通过该模型可以实现个体实例的可解释子集聚类、权重学习以及时间预测。

Jan, 2023

深度生存分析

本研究旨在探讨电子健康档案 (EHR) 的生存分析问题，提出了一种新的 Hierarchical generative 方法称为 Deep survival analysis，该方法可显著优于使用临床验证的 Framingham CHD 风险评分来区分患者按照冠心病风险的风险等级，同时可扩展处理 EHR 中出现的异构（连续和离散）数据类型。

Aug, 2016

针对患者个体的肾移植存活分析的深度学习

本论文提出了一种基于深度学习的多任务学习的方法，可以直接建立患者特定的肾移植的存活函数，从而提高患者的治疗和护理共同决策的准确性和质量。

May, 2017