使用近无限的历史进行通用检索增强医学预测模型
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
RAM-EHR 使用检索增强技术改进了电子健康记录的临床预测,它收集多个知识源,转换为文本格式,并使用密集检索获取与医学概念相关的信息,然后使用一种一致性正则化方法来增强本地电子健康记录预测模型以捕获患者就诊和总结知识的互补信息。通过两个电子健康记录数据集上的实验证明 RAM-EHR 相比之前的知识增强基准模型更有效 (增加了 3.4% 的 AUROC 和 7.2% 的 AUPR),强调了 RAM-EHR 的总结知识在临床预测任务中的有效性。
Feb, 2024
利用 EMERGE 框架、Retrieval-Augmented Generation (RAG) 驅動,提取多模態電子健康紀錄 (EHR) 中的實體,並結合專業 PrimeKG 確保一致性,以加強多模態 EHR 預測建模並生成患者健康狀態相關摘要,通過交叉注意的自適應多模態融合網絡與其他模態進行融合,並在 MIMIC-III 和 MIMIC-IV 資料集上的實驗中證明 EMERGE 框架相對於基線模型的優越性,徹底研究和分析驗證了每個設計模組的有效性,以及該框架對於數據稀疏性的魯棒性。EMERGE 顯著提高了多模態 EHR 數據在醫療保健中的應用,彌補了對於知情臨床預測至關重要的細緻醫學背景的差距。
May, 2024
本文提出了一种基于电子病历中的医学笔记信息预测多种疾病风险的风险预测模型,并采用事件引导机制和标签依赖机制实现了对其预测结果的可解释性。
Jan, 2022
提出了一种名为 REALM 的框架,通过整合多模态电子健康记录(EHR)数据和知识图谱 (KG),利用大型语言模型 (LLM) 编码临床笔记,并使用 GRU 模型编码时间序列 EHR 数据,提取任务相关的医疗实体,并将这些实体与专业标记的外部知识图谱 (PrimeKG) 进行匹配,通过适应性多模态融合网络将提取的知识与多模态 EHR 数据进行整合,最后通过对 MIMIC-III 的死亡率和再入院任务的大量实验,证明了 REALM 框架相比基线模型具有更优异的性能,强调了每个模块的有效性,从而改进了在医疗保健中利用多模态 EHR 数据并弥合了为明智临床预测所必需的细致医疗背景的差距。
Feb, 2024
本文提出了 FINEEHR 系统,采用度量学习和微调等两种表示学习技术来优化临床记录的嵌入,以提高预测准确性。使用 MIMIC III 数据集评估 FINEEHR 的表现,结果表明两种嵌入优化方法均能提高预测准确性,同时它们的组合给出了最好的结果,平均 AUC 为 96.04%,平均 AUC-PR 为 96.48%。
Apr, 2023
通过利用电子病历审计日志,我们的工作在特定的临床背景和特定时间点上,将机器学习作为便签相关性的监督源进行概念化,以降低临床医生在记录过程中查找相关病史所需的努力。我们的评估集中在急诊部动态检索,这是一个具有独特信息检索和记录编写模式的高急症设置。我们展示了我们的方法在预测哪些便签将在个人记录会话中被阅读方面可以达到 0.963 的 AUC。此外,我们对数名临床医生进行了用户研究,发现我们的框架可以帮助临床医生更有效地检索相关信息。在这个要求高的环境中展示我们的框架和方法表现良好是一个有希望的概念验证,表明它们将适用于其他临床设置和数据模态(例如实验室、药物、影像)。
Aug, 2023
使用电子病历(EHR)来预测下次就诊诊断是医疗保健中的重要任务,为医疗服务提供者和患者制定主动的未来计划至关重要。然而,许多先前的研究没有充分解决 EHR 数据中固有的异质性和分层特征,不可避免地导致次优性能。为此,我们提出了 NECHO,一种新颖的以医学代码为中心的多模态对比 EHR 学习框架,具备分层正规化。首先,我们使用定制的网络设计和一对双模态对比损失来整合包括医学代码、人口统计和临床记录在内的多方面信息,这些信息都围绕着医学代码表示。我们还使用医学本体中的父级信息对特定于模态的编码器进行正规化,以学习 EHR 数据的层次结构。对 MIMIC-III 数据进行的一系列实验证明了我们方法的有效性。
Jan, 2024
本论文提出一个新型的多模态变压器,用于融合医疗记录数据和医生的述职记录来预测住院死亡率,并使用可视化方法展示关键的医疗记录和医疗数据特征,进而提高了诊断的可解释性和预测的精度。
Aug, 2022