Jan, 2024

利用多变量时序聚类发现可推广的脑外伤表型

PDF
TL;DR通过多变量时间序列聚类方法 SLAC-Time，作者研究了创伤性脑损伤（TBI）的动态变化以及不同年龄组对其表现和结果的影响，并发现了三种可以泛化到不同人群的 TBI 表型，分别为 α、β、γ 型，它们分别在急诊访视和重症监护期间表现出不同的临床特征。此外，通过各个年龄群体的比较，发现 TBI 表现的核心特征与年龄无关。
traumatic brain injurytbi phenotypesmultivariate time-series clusteringslac-timeage and tbi outcomes
发现论文，激发创造
  • 一种基于自监督学习的方法用于聚类多变量时间序列数据中的缺失值 (SLAC-Time): 一种用于创伤性脑损伤表型化的应用

    提供了一种名为 SLAC-Time 的自监督学习基于 Transformer 聚类多元时间序列数据的方法，该方法通过利用时间序列预测作为代理任务来学习更健壮的时间序列表示，并使用 K-means 进行聚类，实验表明，该方法在聚类 TBI 患者中表现优异，可以用于开发有针对性的临床试验和治疗策略。

    Feb, 2023

  • 通过深度时间插值和聚类网络在生理特征上识别急性疾病表型

    通过研究对医院入院的最初几个小时进行聚类分析，提取生命体征数据，确定患者表型与病理生理特征及结果，以支持早期临床决策，对分析重现性和与生物标志物的相关性使用了一个规模较大的数据集。

    Jul, 2023

  • 利用深层预测聚类进行疾病进展的时间表型研究

    本文研究了对于电子健康记录中的时间序列医疗数据进行聚类的方法，发展了基于深度学习的方法，利用新的损失函数，以相似的未来结果进行聚类，超过现有的基准测试，提出了可制定具体行动的信息用于临床决策。

    Jun, 2020

  • 可解释机器学习的疾病轨迹聚类：以术后谵妄表型为例的案例研究

    通过将个性化 POD 风险预测的监督学习与无监督聚类技术相结合，我们提出了一种方法，用于发现潜在的 POD 表型，从而增进我们对 POD 病因的理解并促进针对性的预防和治疗策略的开发。

    May, 2024

  • 常规收集的多变量 ICU 生理信号中的共同潜在表示的协作学习

    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

  • 机器学习在创伤性脑损伤诊断和预后中的应用：以轻度脑损伤和 CT 成像为焦点

    创伤性脑损伤（TBI）是一个全球公共卫生挑战，对医疗系统造成巨大负担，诊断和预测 TBI 依赖于临床和影像数据以及机器学习和深度学习技术的应用。这篇综述聚焦于应用机器学习和深度学习技术解决轻度 TBI 的诊断问题，探索了不同技术在不同严重程度的 TBI 中的应用，并强调了机器学习和深度学习在轻度 TBI 诊断方面的潜力。

    Jan, 2024

  • 使用 3D CT 的剩余三元卷积神经网络增强轻度脑损伤诊断

    使用三维计算机断层扫描图像和基于度量学习技术的残余三元组卷积神经网络模型提高轻度创伤性脑损伤（mTBI）的诊断，通过嵌入特征空间将 CT 扫描者区分为 mTBI 病例和正常者，并实现 94.3% 的平均准确率、94.1% 的灵敏度和 95.2% 的特异度，并相较于传统的残余卷积神经网络模型，在诊断准确性上有显著提升，同时需要更少的内存资源，提高了资源利用率。

    Nov, 2023

  • 创伤性脑损伤研究的综合文本和图像数据集

    该研究介绍了一种名为 TBI-IT 的医学领域创伤性脑损伤的新数据集，该数据集包括电子病历和头部 CT 图像，并旨在通过提取关键内容和将图像数据进行分类注释来增强人工智能在 TBI 的诊断和治疗中的准确性。该数据集旨在成为图像分割任务和实体命名识别中的特征学习基础数据集。

    Mar, 2024

  • 基于真实世界生命体征数据的端到端多元时间序列聚类算法识别 ICU 患者亚组

    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

  • 非规则医疗时间序列的时间聚类不变性

    本研究基于数据时间聚类的不变性，提出了分析多变量临床时间序列数据的模型以及一种数据扩充技术方案，用于规范化深度神经网络中医学预测任务，该方法以评估医疗预测任务为基准，提高了其预测精度。

    Apr, 2019