追求相关性
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
本文采用深度学习技术,以多模态数据为特征预测 ICU 死亡率,在 MIMIC-IV 数据集上进行验证,结果显示平均 C 指数为 0.7829,明显优于基线 SAPS-II 特征 (0.7470) 并证明了已预定义标签 (2.00%)、文本特征 (2.44%) 和影像特征 (2.82%) 的贡献。
Jun, 2023
本研究使用 MIMIC-IV 数据库作为数据来源,研究了包括温度、心率、平均血压、呼吸率和 SpO2 等动态的、高频的、多变量的时间序列生命体征数据,并比较了各种聚类算法,选择了一种名为 Time2Feat 的端到端多变量时间序列聚类系统与 K-Means 相结合的方法作为最有效的聚类方法,对 2008 年至 2016 年间入住的 8,080 名患者的数据进行了模型开发和对 2017 年至 2019 年间入住的 2,038 名患者的模型验证。通过分析不同类别之间的临床死亡预后差异,发现不同亚组之间的 ICU 死亡和住院死亡的风险不同。此外,该研究可视化了生命体征变化的轨迹。本研究的结果为多变量时间序列聚类系统在 ICU 中患者管理和监测中的潜在应用提供了有价值的见解。
Jun, 2023
本研究使用可解释的深度学习预测模型 N-BEATS 来预测 ICU 中脓毒症患者 3 小时的生命体征趋势,并使用公开可用的 eICU 协作研究数据库数据集对其进行评估。
Jun, 2023
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
通过将医学领域的知识图谱与重症监护病房的数据进行整合,结合重要体征和临床报告,提高临床决策建模的性能,特别是在数据缺失时。同时包括一个可解释性组件,以了解知识图谱节点对预测的影响。
Nov, 2023
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
通过标准化和可解释的机器学习流程,该研究在多中心数据库上建模和预测了患者再次入院,使用随机森林分类模型获得了高达 0.7 的预测性能,并提供了对生命体征、血液检查、人口统计学信息和 ICU 相关变量等方面的有见地的结果,对临床医生的决策提供了宝贵的信息。
Sep, 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