Mar, 2024

利用选择性状态空间模型预测急性脑功能障碍状态的多队列研究

PDF
TL;DR使用电子健康档案数据动态预测重症监护病房中患者的急性脑功能障碍、昏迷和死亡的研究。通过比较神经网络模型 MAMBA 和 Longformer Transformer 的预测性能，作者在 12 小时内对急性脑功能障碍的预测取得了 0.95 的平均 AUROC，并在不同状态间的转变预测方面取得了 0.79 的平均 AUROC。
发现论文，激发创造
  • 基于 Transformer 模型的急性脑功能障碍预测

    本文研究利用机器学习算法和电子病历数据建立一个新的系统，用于实时预测 ICU 病人急性脑功能损伤并进行分类，包括昏迷、谵妄、死亡和正常，该系统能大幅度减少与急性脑功能损伤相关的事故，缩短 ICU 病人住院时间、减少医疗成本和病亡率。

    Mar, 2023

  • AttDMM：一种用于重症监护病房风险评分的注意力深度马尔科夫模型

    本文提出了一种新型生成式深度概率模型 AttDMM，用于实时风险评分，联合学习了疾病动态和不同健康轨迹下的疾病状态，通过基准数据集 (MIMIC-III) 验证效果显著，将 ICU 患者生命预警提前数小时，为做出及时干预提供了路径。

    Feb, 2021

  • 基于大型神经网络的呼吸暂停、心动过缓和氧饱和度降低事件检测

    本文通过机器学习，探讨了使用大型神经网络来检测与败血症相关的 A B D（呼吸暂停、心动过缓和低氧血症）事件。结果表明，即使数据集非常有限和不平衡，大型神经网络的检测性能也足以在临床治疗中使用，并且比目前流行的两种机器学习算法更加高效。

    Nov, 2017

  • XMI-ICU: ICU 中心特定心脏病患者假动态死亡率可解释的机器学习预测模型

    本研究利用回溯检验提取的两个队列，发展了一种新的伪动态机器学习框架，用于重症监护病房的死亡预测，实现了可解释性和临床风险分析，并成功地结合了时间序列生理测量技术，从而能够提供时间分辨率的解释结果。

    May, 2023

  • 基于深度学习的 ICU 早期预警的普适性：一项回顾性实证评估

    本研究使用四个数据来源的数据，评估深度学习模型在不同医院的准确性，在模型性能方面，多数据来源模型表现相当，明确优化模型的方法并没有显著提高性能。

    Mar, 2023

  • DeepSOFA：使用临床可解释的深度学习对危重病患者进行连续生理状态评分

    提出了一种新的 Acuity 评分架构：DeepSOFA，使用可解释的深度学习模型和时间测量来评估 ICU 逗留期间的疾病严重程度和预测住院病死率，相比于基线模型 SOFA，DeepSOFA 具有更高的准确性，有助于及早发现 ICU 患者的生命危险，并在治疗策略和资源利用方面提供决策参考。

    Feb, 2018

  • APRICOT: ICU 中的敏感度预测：预测稳定性，转变和维持生命的治疗措施

    通过 APRICOT 模型基于 Transformer 的神经网络可以实时预测 ICU 患者的病情，包括预测生命维持疗法的需求，为临床医生提供及时干预的重要信息。

    Nov, 2023

  • 从心跳骤停后预测昏迷神经恢复的多模态深度学习方法

    预测心脏骤停后昏迷状态中的神经恢复，使用临床数据和时间序列信号（如多通道脑电图和心电图），本研究展示了多模态的建模方法，基于二维光谱图表示的脑电图信号，结合临床数据和直接从脑电图记录中提取的特征。通过使用转移学习在医学分类中的有效性和局限性，研究表明模型的性能与决策阈值的选择密切相关，并在数据划分中表现出较大的可变性。

    Mar, 2024

  • 可解释的生命体征预测与模型无关的注意力图

    该研究通过结合深度学习模型和注意力机制的框架，提高其在预测败血症过程中的可解释性，从而支持临床决策。研究通过评估基于 eICU-CRD 数据集的模型在预测败血症患者生命体征方面的表现，并采用均方误差（MSE）和动态时间规整（DTW）度量来评估其性能，同时探索了 N-HiTS 和 N-BEATS 的注意力图，研究关键因素对生命体征预测的影响。

    May, 2024

  • 应用脑电图数据进行心脏停跳后昏迷患者的神经系统预后评估：一种具备竞争风险的动态生存分析框架

    本论文介绍了一种动态框架，用于利用脑电图数据对心脏骤停后昏迷患者的神经预后进行预测，并通过比较三种现有的支持竞争风险的动态生存分析模型在实际数据集上的性能，展示了该框架的实验结果。

    Aug, 2023