临床环境下脓毒症发作的早期预测
本研究提出一种基于深度学习方法的感染监测系统:该系统利用电子病历等数据预测感染发生的可能性并辅以早期干预以提高为病人争取更多时间,其性能表现在 AUROC 值为 0.856,可在感染发生前三小时预测。
Jun, 2019
研究以机器学习算法 (KATE) 为基础,与就诊数据进行综合,能够在急诊科中高准确度地诊断感染性休克,并且其在重症感染和感染性休克的诊断性能明显优于常用的诊断方案。
Apr, 2022
本研究使用公共 eICU-CRD 数据集和韩国圣玛丽医院的私人数据集,对 LightGBM 和 XGBoost 两种集成学习方法进行比较分析,发现这些方法在处理医疗数据不平衡和增强脓毒症检测方面的有效性。具体而言,LightGBM 在计算效率和可扩展性方面略胜一筹。该研究为机器学习在危重护理中的广泛应用铺平了道路,从而全球扩展了预测分析在医疗保健中的应用。
Nov, 2023
本篇研究提出了一种基于多模态 Transformer 模型的早期脓毒症预测方法,使用每位患者在 ICU 入院后 36 小时内的生理时间序列数据和临床笔记,仅利用前 12、18、24、30 和 36 小时的实验室指标、生命体征、患者特征和临床笔记进行预测。在 MIMIC-III 和 eICU-CRD 两个大型重症监护数据集上评估了我们的模型,结果证明我们的方法在所有指标上优于竞争基线。
Mar, 2022
通过集成预测模型标签与簇医学轨迹的方法,本研究开发了一种创新的方法,可以在模型开发期间预测性的检测到潜在的过度诊断病例,以提供安全的计算机诊断工具使用指南。
Jul, 2021
本文提出了一种实现在医学设施内部署的早期预测严重感染的方法,使用机器学习与深度学习方法,研究人员还提出了夜间患者个体风险特征向量的学习方法,通过实验验证了该方法的有效性。
Apr, 2023
该研究提出一种多输出高斯过程和深度递归神经网络相结合的方法,实现对 sepsis 的早期检测,有效性较现有方法更佳,并可在实时仪表盘上展示其预测结果,以便用于 sepsis 快速反应团队的诊断和治疗。
Aug, 2017
本文介绍了一种可伸缩的端到端分类器,它使用连续的生理时间序列和药物数据来准确预测败血症的发作,并且可以在高度不确定、频繁缺失和不规则采样率的真实临床数据中工作。通过使用任务多元高斯过程模型和基于回归神经网络的黑盒分类器,我们表明在大规模的医院数据中,该分类器胜过了我们医院目前使用的新闻评分,并且收益了 19.4%和 55.5%的改进。
Jun, 2017
机器学习模型在自动化临床决策中起着越来越重要的作用。我们介绍了一种基于投影的创新方法,将临床专业知识作为领域约束无缝融合,生成可用于机器学习工作流的重要元数据。通过捕捉生理和生物限制患者生命体征和实验室数值的高维混合整数规划,我们可以利用数学 “投影” 的力量纠正电子病历数据中的患者数据错误。我们测量修正后的数据与定义健康范围的约束之间的距离,得到一个称为 “信任分数” 的独特预测指标。这些分数提供了对患者健康状况的见解,并显著提升了机器学习分类器在现实临床环境中的性能。我们在早期脓毒症检测的背景下验证了我们框架的影响。我们展示了 0.865 的 AUROC 和 0.922 的精确度,超过了没有此类投影的常规机器学习模型。
Aug, 2023