May, 2024

基于深度表示学习的医学重症监护病房急性呼吸衰竭动态轨迹表型研究

HTML
PDF
TL;DR通过深度表示学习的方法，该研究揭示了散发性与急性呼吸衰竭的临床轨迹的不同群体，并对不同的死亡率和严重程度进行了特征化，这将为有效的预后和个体化的治疗策略提供重要的临床见解。
发现论文，激发创造
  • 利用深度学习技术对电子健康记录事件序列进行早期感染性休克检测

    本研究提出一种基于深度学习方法的感染监测系统：该系统利用电子病历等数据预测感染发生的可能性并辅以早期干预以提高为病人争取更多时间，其性能表现在 AUROC 值为 0.856，可在感染发生前三小时预测。

    Jun, 2019

  • 利用深层预测聚类进行疾病进展的时间表型研究

    本文研究了对于电子健康记录中的时间序列医疗数据进行聚类的方法，发展了基于深度学习的方法，利用新的损失函数，以相似的未来结果进行聚类，超过现有的基准测试，提出了可制定具体行动的信息用于临床决策。

    Jun, 2020

  • 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

  • 通过深度时间插值和聚类网络在生理特征上识别急性疾病表型

    通过研究对医院入院的最初几个小时进行聚类分析，提取生命体征数据，确定患者表型与病理生理特征及结果，以支持早期临床决策，对分析重现性和与生物标志物的相关性使用了一个规模较大的数据集。

    Jul, 2023

  • 论异构临床时间序列的逐步嵌入的重要性

    使用深度学习对表格时间序列模型进行步进式嵌入，提高临床序列建模的性能。

    Nov, 2023

  • 一种基于知识蒸馏的多变量临床时间序列中的感染性休克预测方法

    通过知识蒸馏和约束变分推断，我们使用一个高预测能力的“教师”神经网络模型来训练一个“学生”潜在变量模型，学习可解释的隐层表示，以实现对脓毒症预测结果的高准确性。

    Nov, 2023

  • 感染中 SOFA 评分集群轨迹预测死亡率

    监测SOFA评分的动态变化对于评估败血症的严重程度和治疗反应性具有价值。

    Nov, 2023

  • 可解释机器学习的疾病轨迹聚类：以术后谵妄表型为例的案例研究

    通过将个性化POD风险预测的监督学习与无监督聚类技术相结合，我们提出了一种方法，用于发现潜在的POD表型，从而增进我们对POD病因的理解并促进针对性的预防和治疗策略的开发。

    May, 2024

  • 可解释预测患者路径的机器学习框架：以预测症状为脓毒症患者的ICU入院为例

    利用机器学习和可解释预测的方法，提供对因脓毒症症状患者的重症监护室ICU入院的能力，通过综合仪表盘显示患者的健康轨迹、预测结果和相关风险，提供了改进预测准确性和可解释且可操作的见解，成为危重患者医疗决策支持的有价值工具。

    May, 2024

  • 基于数据驱动的机器学习方法预测院内脓毒症死亡率

    本研究针对院内脓毒症死亡预测中的特点选择和模型可解释性不足的问题，提出了一种可解释且精准的机器学习模型。通过对MIMIC-III数据库的ICU患者记录进行详细分析，随机森林模型在精确度和AUC方面表现优异，证明了数据驱动的机器学习在医疗保健中提高院内死亡预测的潜力。

    Aug, 2024