危重病患的快速且可解释的死亡风险评分

Nov, 2023

危重病患的快速且可解释的死亡风险评分

Fast and Interpretable Mortality Risk Scores for Critical Care Patients

Chloe Qinyu Zhu, Muhang Tian, Lesia Semenova, Jiachang Liu, Jack Xu...

TL;DR使用现代可解释的机器学习技术设计准确可解释的死亡风险评分模型，通过评估医疗中心的风险，研究领域的泛化性，并开发了一种新的算法 GroupFasterRisk，其风险评分模型在设计灵活性上比黑盒机器学习模型优于传统风险评分模型。

Abstract

Prediction of mortality in intensive care unit (ICU) patients is an important task in critical care medicine. Prior work in creating mortality risk models falls into two major categories: domain-expert-created scoring systems, and black box machine learning (ML) models. Both of these h

mortality prediction intensive care unit machine learning models interpretable models risk scores

发现论文，激发创造

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

通过干预预测提高临床风险评分的可解释性

该研究展示了机器学习系统在通过风险评分预测患者不良事件方面的巨大潜力，但未来介入干预政策会对风险评分产生影响，所以在此提出了一种联合模型来更加明确地传达有关未来干预的假设。通过将典型风险评分与未来干预概率评分相结合，可以提供更可解释的临床预测。

Jul, 2022

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

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

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

学习优化风险评分

通过机器学习方法中标度、稀疏、整数系数和适应特定应用限制的混合整数非线性规划的切割平面算法来改进现有的风险评分模型，并更好地适应实际应用场景，比传统启发式方法更具优势和实际意义。

Oct, 2016

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

区域特定风险量化对 COVID-19 预后的可解释性

通过结合大规模预训练图像编码器、风险特定的 Grad-CAM 技术以及解剖区域检测技术，我们提出了一种可解释的深度生存预测模型，该模型特别针对 COVID-19 前景进行改进，使用胸部 X 射线（CXR）图像来提高对疾病的理解和信任。我们的模型通过风险区域定位提供了预测结果的更清晰和透明度，使临床医生能够在对预后洞察力有更好理解的情况下做出知情决策，从而改善了 COVID-19 诊断的解释性。在多中心生存数据集上评估所提出的方法，并通过定量和定性评估证明了其有效性，达到了优越的 C 指数（0.764 和 0.727）和时间相关的 AUC（0.799 和 0.691）。这些结果表明，我们的可解释的深度生存预测模型在风险预测方面超越了传统的生存分析方法，提高了临床决策的可解释性并增强了 AI 系统的可信度。

May, 2024

MIMIC-IV 数据集上深度学习模型的可解释性和公平性评估

该研究关注深度学习模型在医疗场景下的可解释性和公平性问题，以 MIMIC-IV 数据集为例，分析了预测模型的可解释性和预测公平性，并揭示了该数据集中存在的偏差和不平等对策。

Feb, 2021

可解释的医疗索赔建模（不仅是事后解释）以预防可避免的所有原因再入院或死亡

使用 Bayesian 模型和医疗索赔数据构建了一个可解释的生存模型，预测患者出院后的复诊和死亡风险，除了提高准确度，还能够量化相关风险因素和出院前景。

Aug, 2022