Nov, 2023

APRICOT: ICU 中的敏感度预测：预测稳定性，转变和维持生命的治疗措施

PDF
TL;DR通过 APRICOT 模型基于 Transformer 的神经网络可以实时预测 ICU 患者的病情，包括预测生命维持疗法的需求，为临床医生提供及时干预的重要信息。
acuity predictionicu patientsreal-time monitoringlife-sustaining therapiesmortality prediction
发现论文，激发创造
  • 可穿戴传感器在重症监护病房中评估患者重要性的潜力

    通过结合可穿戴传感器数据和电子健康记录，利用人工智能技术开发的新的病情评估得分模型可以成功区分危重病患者的稳定和不稳定状态。

    Nov, 2023

  • 利用放射学报告和图像改善 ICU 死亡率预测的实证研究

    本文采用深度学习技术，以多模态数据为特征预测 ICU 死亡率，在 MIMIC-IV 数据集上进行验证，结果显示平均 C 指数为 0.7829，明显优于基线 SAPS-II 特征 (0.7470) 并证明了已预定义标签 (2.00%)、文本特征 (2.44%) 和影像特征 (2.82%) 的贡献。

    Jun, 2023

  • AI 增强的重症监护室：通过普适感应技术改变患者护理

    本文介绍了我们开发的具有智能化监测和视觉评估功能的 Intelligent Intensive Care Unit (I2CU) 系统结构，该系统使用感知和数据处理，从多个模式收集数据，包括深度图像、颜色 RGB 图像、加速度计、肌电图、声压和光强度，用于连续和细粒度的重症监护和评估。

    Mar, 2023

  • 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

  • 在重症监护室中检测视觉线索及其与患者临床状况的关联

    通过分析面部行为单元和视觉线索，利用人工智能技术提供更客观、细粒度的重症监护环境中患者的评估和监测能力。

    Nov, 2023

  • 利用选择性状态空间模型预测急性脑功能障碍状态的多队列研究

    使用电子健康档案数据动态预测重症监护病房中患者的急性脑功能障碍、昏迷和死亡的研究。通过比较神经网络模型 MAMBA 和 Longformer Transformer 的预测性能，作者在 12 小时内对急性脑功能障碍的预测取得了 0.95 的平均 AUROC，并在不同状态间的转变预测方面取得了 0.79 的平均 AUROC。

    Mar, 2024

  • 可解释机器学习在 ICU 复诊预测中的应用

    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。

    Sep, 2023

  • AttDMM：一种用于重症监护病房风险评分的注意力深度马尔科夫模型

    本文提出了一种新型生成式深度概率模型 AttDMM，用于实时风险评分，联合学习了疾病动态和不同健康轨迹下的疾病状态，通过基准数据集 (MIMIC-III) 验证效果显著，将 ICU 患者生命预警提前数小时，为做出及时干预提供了路径。

    Feb, 2021

  • 使用高斯过程混合模型进行个性化危险评分以预测危重病情

    在这篇论文中，我们提出了一种个性化的实时风险评分算法，基于病人的（时间性）实验室测试和生命体征提供及时和细致的临床状况评估，确保临床恶化的病人能够及时转入重症监护室，该风险评分系统通过从离线电子健康记录数据中学习一组潜在的患者亚型，并训练一组高斯过程 (GP) 专家，每个专家可以模拟与特定患者亚型相关的生理数据流，从而实现。

    Oct, 2016

  • 非重症患者急性肾损伤预测：回顾性外部和内部验证研究

    急性肾损伤（AKI）预测的深度学习与传统机器学习模型间的比较及其在不同医疗机构的性能验证。

    Feb, 2024