Feb, 2024

医学黑暗物质中隐藏着什么？在医疗实践中学习丢失的数据

PDF
TL;DR研究聚焦于统计方法和机器学习进行缺失数据理解、解释和数据填充，基于儿科急诊数据和英国最大的创伤伤害数据库的数据，研究发现缺失数据非随机，与医疗专业实践模式相关性高，得出使用 1 近邻（1NN）填充方法最佳，表明了临床决策常见的模式。
发现论文，激发创造
  • 医疗数据中的缺失值和填补：可解释机器学习能提供帮助吗？

    本文介绍了一种在解决缺失数据问题时使用可解释机器学习的方法。将高精度的玻璃盒可解释性增强机（EBMs）用于缺失值处理，可帮助用户更好地了解缺失机制并检测可能引入的风险。实验表明了该方法在处理真实医疗数据集时的有效性。

    Apr, 2023

  • 约束下的可解释数据插补

    基于数据类型值和数据中的相关约束条件的数据插补新算法及其与其他算法的比较实验结果。该算法不仅可插补数据，还能生成人类可读的解释，描述用于每次插补的属性的重要性。

    May, 2022

  • 基于健康数据库的预测模型缺失值处理方法的基准测试

    本文系统评估了处理缺失值的策略在预测模型中的效果，重点关注大型健康数据库，结果表明，在监督式机器学习中自然支持的缺失值预测表现优于最先进的插补方法，且计算成本更低。

    Feb, 2022

  • 个体化表征中的时间序列电子健康记录缺失理解

    研究介绍了对于个性化医学中的缺失表示和学习缺失模式的关注不足，提出了关于实际电子健康记录中缺失模式的新见解和影响，旨在实现真正个性化的预测建模。

    Feb, 2024

  • 基于时间的迭代插补策略用于多变量纵向临床数据

    本文提出了一种简单的新方法，即基于时间依赖的迭代插补（TDI），用于填补临床数据中的缺失值，该方法针对多变量和纵向数据，并基于数据的临床模式（包括缺失率和测量频率）引入了患者、变量和观察特定的动态加权策略。对 MIMIC III 和 COVID-19 住院病例进行的测试表明，TDI 可提高风险预测的准确性。

    Apr, 2023

  • 医学应用中基于多方计算的隐私保护数据填充

    本研究利用安全多方计算提出了隐私保存插补方法，以在医疗和保健领域对敏感数据进行保护，并在糖尿病数据集上验证了其正确性和可伸缩性。

    May, 2024

  • SMART：面向预训练缺失感知模型的患者健康状态预测

    通过自我监督的预训练方法，SMART（自我监督的缺失感知表示学习方法）通过详细的注意力机制对缺失信息进行编码，并通过学习潜在空间中的缺失数据表示来填补缺失值，从而提高了患者健康状况预测的泛化性和鲁棒性。在六个电子健康记录任务上进行的广泛实验验证了 SMART 的有效性，表明其优于现有方法。

    May, 2024

  • 监督学习的缺失数据插补

    本文比较了不同的方法在监督分类任务中填补缺失分类数据的效果，并证明了方法可以提高预测准确性，并达到了 Missing-data perturbation 和 k-nearest-neighbors imputation 下准确率的最新水平。

    Oct, 2016

  • IGNITE：时间序列电子健康记录的个体化填补生成

    我们提出了一个新的深度学习模型 IGNITE，利用条件双变分自编码器和双阶段注意力，在多元数据上学习了时间上的患者动态变化，生成个性化的真实值，根据个体的人口特征和治疗条件调节。我们进一步扩展了 IGNITE 的应用范围，从填补缺失值发展为个性化数据合成器，用于生成未曾观察到的缺失电子健康记录或者甚至生成新的患者，应用于各种应用中。我们在三个大型公开数据集上验证了我们的模型，并展示了 IGNITE 在缺失数据重建和任务预测方面优于现有方法。

    Jan, 2024

  • 利用 EHR 中信息缺失的核在多变量时间序列中进行挖掘

    本研究提出了一种新的核方法，名为 TCK$_{IM}$，通过集成学习策略和新型混合贝叶斯混合模型，能够有效利用电子健康记录中的多变量时间序列的缺失数据，避免了插值方法的使用，具有无标签学习的鲁棒性。通过在三个真实世界的临床数据集上进行实验，证明了所提出核方法的有效性。

    Feb, 2020