医学时间序列和笔记的多模态预训练
本研究基于临床笔记的非结构化文本内容提出了一种自动死亡预测方案，通过卷积文档嵌入方法，相较于以往的潜在主题分布或通用的doc2vec嵌入方法，我们在MIMIC-III重症监护数据库上的实证研究表明获得了显著的性能提升，尤其是在术后死亡预测这一困难问题上。
Dec, 2016
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
利用长短期记忆和层次注意力机制，建立深度学习模型解决 ICU 中生理时间序列数据的不规则和缺失问题，实现对 ICU 死亡风险的预测，并在 PhysioNet 2012 数据集上取得了竞争力和可解释性的结果。
Jul, 2017
为了减少重症监护室中的假警报，采用一种新的多任务网络结构，利用远程监督的方法通过多个相关辅助任务来降低训练所需标签的数量，并证明我们的方法在实际数据集上优于多种现有工作。
Feb, 2018
提出了一种预先训练的层级循环神经网络模型，通过解析最小处理的临床记录，比传统方法更好地处理了医疗信息技术中的出院诊断分类任务，并应用归因技术来确定模型用于进行预测的单词以及其重要性。
Sep, 2019
通过将临床记录作为另一种数据形式添加到机器学习模型中，可以在ICU管理的几项基准任务中实现显著的改进，包括住院死亡率预测、恶化建模和住院时间预测。
Sep, 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
通过多模态ICU数据，本文提出了一种可解释的多模态死亡预测器（X-MMP）作为一种高效的、可解释的AI解决方案，用于预测住院死亡率。我们的框架采用多模态学习，可接收来自临床数据的异构输入并做出决策，同时引入一种可解释的方法，即层级传递至Transformer，作为对Transformer的LRP方法的适当扩展，在多模态输入上产生解释并揭示与预测相关的显著特征。此外，可以可视化每种模式对临床结果的贡献，帮助临床医生理解决策背后的推理过程。基于MIMIC-III和MIMIC-III波形数据库匹配子集构建了多模态数据集。在基准数据集上进行的综合实验表明，我们提出的框架能够实现合理的解释，并具有竞争力的预测准确性。特别地，我们的框架可以轻松转移到其他临床任务中，促进了对医疗研究中关键因素的发现。
Dec, 2023
在重症监护室（ICU）中，多元时间序列的丰富性为机器学习提供了改进患者表型刻画的机会。与以往主要关注电子健康记录（EHR）的研究不同，本文提出了一种使用常规收集的生理时间序列数据进行表型刻画的机器学习方法。我们的新算法将长短期记忆（LSTM）网络与协同过滤的概念相结合，识别出患者之间共同的生理状态。在实际世界的ICU临床数据中测试，我们的方法在脑损伤患者颅内高压（IH）检测方面取得了0.889的曲线下面积（AUC）和0.725的平均精度（AP）。此外，我们的算法在学习生理信号的结构化潜在表示方面优于自编码器。这些发现突显了我们方法在利用常规多元时间序列改善临床护理实践的患者表型刻画方面的巨大潜力。
Feb, 2024