ICU 中脓毒症患者的生命体征预测
本研究使用可解释的深度学习预测模型 N-BEATS 来预测 ICU 中脓毒症患者 3 小时的生命体征趋势，并使用公开可用的 eICU 协作研究数据库数据集对其进行评估。
Jun, 2023
该研究通过结合深度学习模型和注意力机制的框架，提高其在预测败血症过程中的可解释性，从而支持临床决策。研究通过评估基于 eICU-CRD 数据集的模型在预测败血症患者生命体征方面的表现，并采用均方误差（MSE）和动态时间规整（DTW）度量来评估其性能，同时探索了 N-HiTS 和 N-BEATS 的注意力图，研究关键因素对生命体征预测的影响。
May, 2024
本篇研究提出了一种基于多模态 Transformer 模型的早期脓毒症预测方法，使用每位患者在 ICU 入院后 36 小时内的生理时间序列数据和临床笔记，仅利用前 12、18、24、30 和 36 小时的实验室指标、生命体征、患者特征和临床笔记进行预测。在 MIMIC-III 和 eICU-CRD 两个大型重症监护数据集上评估了我们的模型，结果证明我们的方法在所有指标上优于竞争基线。
Mar, 2022
通过知识蒸馏和约束变分推断，我们使用一个高预测能力的 “教师” 神经网络模型来训练一个 “学生” 潜在变量模型，学习可解释的隐层表示，以实现对脓毒症预测结果的高准确性。
Nov, 2023
本研究使用 MIMIC-IV 数据库作为数据来源，研究了包括温度、心率、平均血压、呼吸率和 SpO2 等动态的、高频的、多变量的时间序列生命体征数据，并比较了各种聚类算法，选择了一种名为 Time2Feat 的端到端多变量时间序列聚类系统与 K-Means 相结合的方法作为最有效的聚类方法，对 2008 年至 2016 年间入住的 8,080 名患者的数据进行了模型开发和对 2017 年至 2019 年间入住的 2,038 名患者的模型验证。通过分析不同类别之间的临床死亡预后差异，发现不同亚组之间的 ICU 死亡和住院死亡的风险不同。此外，该研究可视化了生命体征变化的轨迹。本研究的结果为多变量时间序列聚类系统在 ICU 中患者管理和监测中的潜在应用提供了有价值的见解。
Jun, 2023
该研究提出一种多输出高斯过程和深度递归神经网络相结合的方法，实现对 sepsis 的早期检测，有效性较现有方法更佳，并可在实时仪表盘上展示其预测结果，以便用于 sepsis 快速反应团队的诊断和治疗。
Aug, 2017
本研究提出一种基于深度学习方法的感染监测系统：该系统利用电子病历等数据预测感染发生的可能性并辅以早期干预以提高为病人争取更多时间，其性能表现在 AUROC 值为 0.856，可在感染发生前三小时预测。
Jun, 2019
实验结果突出了 LSTM 模型对建立真实世界预测引擎的高效性，通过利用严格的多变量时间序列测量将时间框架缩小到 6 小时，这个自动数据驱动系统可以分析从电子健康记录中得出的大量多变量时间数据，提取高级信息以早期预测住院死亡率和住院时间。
Aug, 2023
本文旨在利用所有可用的 ICU 数据（生命体征、实验室数据、病历及患者基本信息）并关注学习数据的丰富表示，通过使用递归神经网络 LSTM 和卷积神经网络 CNN 分别预测侵入性干预的发生和停止。该预测支持 “实时” 表现，并在六小时内进行以支持临床可操作的规划，同时通过特征遮盖等方法提高模型的解释性，最终超过对照组并提供模型学习洞见。
May, 2017