Dec, 2023

ConSequence: 为电子健康档案生成合乎逻辑约束的序列进行综合

PDF
TL;DR通过运用领域知识和约束条件，ConSequence 模型能够高效地生成电子病历，满足完整的时间和空间约束条件，同时不影响运行性能和生成质量。
generative modelssynthetic patient recordsconsequencedomain knowledgetemporal and spatial constraints
发现论文，激发创造
  • 基于概率模型的医院电子健康记录顺序推理

    在动态医院环境中，决策支持是提高患者结果的有价值工具，本研究设计了一个概率无监督模型用于医院电子病历数据中包含的多个任意长度的序列，包括诊断、实验室检查、神经评估和药物，通过推断算法可以预测序列的长度和特定值的出现。

    Mar, 2024

  • 关于有限时间序列生成问题的研究

    本文利用一个带限制的优化框架，提出了一套生成方法，包括 “GuidedDiffTime”，用于生成合成的具有现实性的时间序列，相比现有方法更加高效，且无需重新训练，取得了显著的性能提升，并大幅降低了碳足迹。

    Jul, 2023

  • 双系统神经符号推理在神经序列模型中的一致性与连贯性改进

    通过在神经序列模型（System 1）中加入逻辑推理模块（System 2），提高模型的逻辑一致性和准确性。实验表明此方法可以提高故事生成和指令执行的一致性和准确性。

    Jul, 2021

  • 重症监护作为一个大的序列建模问题

    在健康护理领域，强化学习通常涉及狭窄的自包含任务，如败血症预测或麻醉控制。然而，先前的研究已经证明了通用模型（最典型的例子是大型语言模型）由于其隐式迁移学习能力而能够胜过特定任务的方法。为了训练健康护理领域的基础模型并利用最先进的 Transformer 架构的能力，我们提出了 “健康护理作为序列建模” 的范式，其中患者与医疗服务提供者之间的交互被表示为一个事件流，而诊断和治疗选择等任务则被建模为预测流中未来事件的任务。为了实验探索这个范式，我们开发了一种名为 MIMIC-SEQ 的序列建模基准，通过将来自 MIMIC-IV 数据集的异构临床记录转化为统一的事件流格式进行训练，并研究其能力。

    Feb, 2024

  • CEHR-GPT：生成具有时间轴的电子健康记录

    通过使用从 CEHR-BERT 导出的特定患者表征，我们展示了使用 GPT 模型来生成患者序列，并能够无缝转换为 OMOP 数据格式的能力。

    Feb, 2024

  • 面向任务型对话的基于组合表示的神经网络语言生成的约束解码

    本文提出使用树状结构的语义表示来改进对话系统中基于任务的自然语言生成问题，并介绍了一个挑战性的数据集，并展示了基于此表示的编码方法以提高语义正确性的结果。

    Jun, 2019

  • 为临床 ICD 编码建模时间文档序列

    本研究提出一种基于层次变压器架构的 ICD 编码方法，使用病人整个住院期间的所有临床笔记进行编码，并结合文本元数据嵌入，如位置，时间和笔记类型等，在使用 MIMIC-III 数据集进行测试时，模型在仅使用出院摘要作为输入时超越了以前的最佳表现，并在使用所有临床笔记作为输入时实现了进一步的表现提升。

    Feb, 2023

  • 电子健康记录的个性化事件预测

    通过对 MIMIC-III 数据库中的患者临床事件序列进行分析和测试，我们提出并研究了多种新的事件序列预测模型和方法，旨在更好地调整个体患者和其特定状况的预测。

    Aug, 2023

  • 考虑后果的顺序反事实生成

    本文提出了一种基于遗传算法的多目标优化方法，用于解决顺序反事实生成问题。实验结果表明，相比现有的最优方法，该方法生成的解决方案成本更低，更高效，并为用户提供了多种选择。

    Apr, 2021

  • 多次就诊健康状态推测下的患者记录协作综合

    基于真实病历数据的模拟电子健康记录（EHRs）合成方法是受限于医疗常识和控制事件组合的不足，为了解决这些问题，本研究提出了一种多访问健康状态推理模型（MSIC）用于协同 EHR 合成，该模型以概率图模型为基础，紧密连接不同类型的事件并建模潜在健康状态，通过先前记录合成当前和未来记录，并生成医学报告来增加对合成 EHR 数据的更广泛应用，实验证明 MSIC 在提高合成数据质量的同时保持低隐私风险方面取得了最先进的结果。

    Dec, 2023