使用电子健康记录进行循证医学和准确预测,通过 Fast Healthcare Interoperability Resources (FHIR) 格式表示病人的原始病历记录,并使用深度学习方法进行多中心的多个医疗事件预测,包括住院死亡率、未经计划的 30 天再入院率、医院停留时间延长、所有患者的最终出院诊断等。
Jan, 2018
本文回顾和分析了过去十年来电子病历存储数字化信息的激增,以及深度学习技术在医疗信息学上的应用。同时,作者也讨论了目前技术的不足之处,提出了 EHR 基于深度学习未来的研究方向。
Jun, 2017
该论文阐述了电子病历(EHR)提供数据以回答临床相关问题,EHR 中不完整的标签、供建多个基础病因的疾病和健康人群缺乏等问题给机器学习在临床应用中带来的挑战,并强调了机器学习在医疗保健中发挥作用的机会。
Jun, 2018
本研究提出了一种基于深度学习的框架,通过将病人路径从电子健康记录中编码成影像,突出显示路径影像中的重要事件,实现更复杂的预测并提高可解释性,其中使用了深度注意机制,并允许预测多个连续结果。
Mar, 2021
本文提出了一种从医疗电子健康系统中提取伴随临床记录的方法,并使用这些数据综合研究了不同模型和数据利用方法对于更好的医疗任务预测的影响。结果表明,我们的融合模型优于不包含临床记录的最新方法,这证明了我们的融合方法的重要性和临床注意点特征的价值。
Oct, 2021
机器学习在疾病诊断和决策方面的应用正变得越来越流行。本文开发了一种 Python 包,将公共卫生数据集转换为易于访问的通用格式,以便于构建有用的疾病诊断预测系统,并提出了两种新的模型架构进行疾病诊断多类别预测,一种使用结构化数字数据,另一种结合自然语言处理方法和可解释的可视化。这些模型都能够高准确度地预测多种诊断。
Jun, 2020
该研究提出了利用来自公开可用的激痛医学信息库(MIMIC-III)数据集的四个临床预测基准,旨在解决机器学习在医疗保健研究中缺乏公开可用基准数据集的问题。
Mar, 2017
本文提出了一种结合了结构化信息和文本医疗笔记的通用多任务框架,用于预测疾病发病率。与传统的基于文本的预测模型相比,我们的方法不需要特定于疾病的特征工程,并且可以处理存在于文本中的否定和数值。在 100 万名患者的队列中,我们的模型表明使用文本的模型优于仅使用结构化数据的模型,并且能够使用文本中的数值和否定,进一步提高预测性能。此外,我们比较了医疗专业人员用于解释模型预测的不同可视化方法。
Aug, 2018
基于贝叶斯神经网络的深度学习模型用于预测由于数据噪音引起的不确定性。高度不确定的实例对模型性能有害。通过研究模型预测和不确定性的分布,可以识别一组病人以进行及时干预。
Jul, 2019
本文探讨了去中心化的分布式账本上机器学习模型对分布式电子个人健康档案进行知识提取的方法,并提出了一个设计概念,能够匿名进行预测性分析,结果表明可降低机器学习时间至 60%,一致性延迟低于 8 秒,适用于各个医疗机构。
Jul, 2022