Feb, 2024

重症监护作为一个大的序列建模问题

PDF
TL;DR在健康护理领域，强化学习通常涉及狭窄的自包含任务，如败血症预测或麻醉控制。然而，先前的研究已经证明了通用模型（最典型的例子是大型语言模型）由于其隐式迁移学习能力而能够胜过特定任务的方法。为了训练健康护理领域的基础模型并利用最先进的 Transformer 架构的能力，我们提出了 “健康护理作为序列建模” 的范式，其中患者与医疗服务提供者之间的交互被表示为一个事件流，而诊断和治疗选择等任务则被建模为预测流中未来事件的任务。为了实验探索这个范式，我们开发了一种名为 MIMIC-SEQ 的序列建模基准，通过将来自 MIMIC-IV 数据集的异构临床记录转化为统一的事件流格式进行训练，并研究其能力。
发现论文，激发创造
  • 电子健康记录的个性化事件预测

    通过对 MIMIC-III 数据库中的患者临床事件序列进行分析和测试，我们提出并研究了多种新的事件序列预测模型和方法，旨在更好地调整个体患者和其特定状况的预测。

    Aug, 2023

  • 临床时间序列数据的多任务学习和基准测试

    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

  • 基于 MIMIC 大型医疗数据集的深度学习模型对比

    本篇论文通过 MIMIC-III 数据集进行临床预测任务（如死亡率预测、住院时间预测以及 ICD-9 编码分组预测）的基准测试，结果表明，相较于基于机器学习模型和预测评分系统，深度学习模型在使用原始临床时间序列数据作为输入特征时有更好的表现。

    Oct, 2017

  • 在医疗保健中，表示学习的实证研究

    本文用数据（MIMIC-III dataset）对数名感染病患的多种信息编码结构进行实证研究，旨在确定最佳的状态构建方法以应用于强化学习，而研究结果证明顺序形成的状态表示在批处理设置下有助于有效的政策学习，并验证了更加深入思考的状态表示学习方法在医疗数据序列和部分性质方面的可靠性。

    Nov, 2020

  • 基于概率模型的医院电子健康记录顺序推理

    在动态医院环境中，决策支持是提高患者结果的有价值工具，本研究设计了一个概率无监督模型用于医院电子病历数据中包含的多个任意长度的序列，包括诊断、实验室检查、神经评估和药物，通过推断算法可以预测序列的长度和特定值的出现。

    Mar, 2024

  • 评估机器学习在纵向电子医疗数据上的进展

    综合评估医疗机器学习的基准，提出一种基于医学信息志 (MIMIC-III) 的基准，让我们可以直接比较预测性能，并评估生存率、住院时间、表型和患者恶化任务的进展。我们发现，在这些任务上，尽管社区参与度高，但在过去的三年里，几乎没有真正显著的进展。通过我们的元分析，我们发现，深度递归模型的性能仅在某些任务上优于逻辑回归。最后综合这些结果，提出未来医学机器学习基准所需的理想特性。

    Oct, 2020

  • 医学时间序列和笔记的多模态预训练

    在重症监护室内，包括临床测量和临床笔记在内的丰富患者数据可供利用，但其分析也面临许多挑战。本研究提出了一种新颖的方法，利用自我监督预训练来解决深度学习模型在重症监护中的标注数据不足问题，并在数据有限的情况下，在院内死亡预测和表型预测等下游任务中优于基线模型，突显其提升重症监护室数据分析能力。

    Dec, 2023

  • 利用患者事件序列预测住院天数

    此研究提出了一种基于 Transformer 模型的 Medic-BERT（M-BERT），通过将病人信息建模为事件序列来预测其住院天数，并在丹麦大型医院的 45000 多名急诊病人上进行了实验，结果表明 M-BERT 在各种住院时间问题上表现出色，优于传统非序列机器学习方法。

    Mar, 2023

  • 在线临床时间序列多模态对比学习

    利用先进的自监督多模式对比学习技术， 注重临床笔记和时间序列，我们引入了一种损失函数：多模式邻域对比损失 (MM-NCL)，展示了我们方法在线预测任务中出色的线性验证和零样本表现。

    Mar, 2024

  • 深度学习关注 ICU 中的风险

    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