在线临床时间序列多模态对比学习
现代电子健康记录(EHRs)通过顺序深度学习在个性化患者健康轨迹的跟踪方面拥有巨大的潜力,然而如何有效利用 EHRs 中的多个模态面临重大挑战,因为其复杂特性(如高维度、多模式、稀疏性、不同的记录频率和时间的不规则性)。为了应对医学时间序列中的稀疏性和时间间隔的不规则性,本文引入了一种新的多模态对比学习框架,重点关注医学时间序列和临床笔记。为了利用医学时间序列和临床笔记之间的相互关系,该框架配备了全局对比损失,将患者的多模态特征表示与相应的出院小结进行对齐。通过全局对比来学习区分性的多模态特征。在真实世界的 EHR 数据集上进行了大量实验,证明我们的框架在使用 UF 健康系统的多模态数据(来自 UF Health Gainesville、UF Health Jacksonville 和 UF Health Jacksonville-North 三家医院的 12 万多次大型住院手术)预测九种术后并发症发生的示例任务上优于现有方法。
Apr, 2024
本文介绍了一种名为邻域对比学习(NCL)的对比学习方法,该方法采用时序数据增强技术,可用于对 ICU 中的患者进行在线监测,与现有方法相比可显著提高预测精度。
Jun, 2021
该研究提出了一种新颖的多模态特征嵌入生成模型,并设计了一种多模态对比损失函数,通过联合分析结构化和非结构化数据的两种重要模态来捕获患者的完整病历,从而实现多模态电子健康记录特征表示学习并保护隐私。模拟研究结果表明,所提出的算法适用于多种配置,并且进一步验证了该算法在真实世界电子健康记录数据中的临床应用。
Mar, 2024
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
利用多模态数据,特别是医学实验的图像和时间序列数据,提出一种新的方法来改进临床应用中的多模态深度学习,在预测死亡率和表型分型等重要领域中取得了有效的结果,同时克服了噪声和不平衡数据集的挑战,并采用不确定性模型和注意力机制,提高了模型的性能和鲁棒性。
May, 2024
本论文通过手工建模和学习内插嵌入,采用分离机制建模不规则的时间序列;采用时间注意力机制,将临床记录的一系列表示为多元不规则时间序列,并采用交织注意机制跨时间步骤进行多模态融合,以整合多模态表示。结果表明,我们提出的方法在单一模态和多模态情景下都优于现有方法,说明了我们方法的有效性和模拟不规则性的价值。
Oct, 2022
在重症监护室(ICU)中,多元时间序列的丰富性为机器学习提供了改进患者表型刻画的机会。与以往主要关注电子健康记录(EHR)的研究不同,本文提出了一种使用常规收集的生理时间序列数据进行表型刻画的机器学习方法。我们的新算法将长短期记忆(LSTM)网络与协同过滤的概念相结合,识别出患者之间共同的生理状态。在实际世界的 ICU 临床数据中测试,我们的方法在脑损伤患者颅内高压(IH)检测方面取得了 0.889 的曲线下面积(AUC)和 0.725 的平均精度(AP)。此外,我们的算法在学习生理信号的结构化潜在表示方面优于自编码器。这些发现突显了我们方法在利用常规多元时间序列改善临床护理实践的患者表型刻画方面的巨大潜力。
Feb, 2024
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
通过解释性多模型数据驱动模型,预测和理解 ICU 中的抗菌性多重药物耐药细菌的发生,并提供可解释的预测支持系统。
Feb, 2024
使用电子病历(EHR)来预测下次就诊诊断是医疗保健中的重要任务,为医疗服务提供者和患者制定主动的未来计划至关重要。然而,许多先前的研究没有充分解决 EHR 数据中固有的异质性和分层特征,不可避免地导致次优性能。为此,我们提出了 NECHO,一种新颖的以医学代码为中心的多模态对比 EHR 学习框架,具备分层正规化。首先,我们使用定制的网络设计和一对双模态对比损失来整合包括医学代码、人口统计和临床记录在内的多方面信息,这些信息都围绕着医学代码表示。我们还使用医学本体中的父级信息对特定于模态的编码器进行正规化,以学习 EHR 数据的层次结构。对 MIMIC-III 数据进行的一系列实验证明了我们方法的有效性。
Jan, 2024