患者叙述整合实现患者端疾病预测
本文分析和研究了使用最新技术(如大数据、人工智能、机器学习和深度学习)改善医疗保健的不同方法,提出了基于收集、预处理和聚类医疗数据的一般方法,以在可观的时间范围内预测最常见的病理。
Apr, 2023
使用命名实体识别和链接工具(即 MedCAT)对电子病历的自由文本部分进行结构化和组织,从而预测出一系列的未来医疗事件(最初是疾病),MedGPT 有效地处理了噪声和额外细粒度, 并在 King's College Hospital 的真实世界医院数据上表现出色。
Jul, 2021
本文提出了一种结合了结构化信息和文本医疗笔记的通用多任务框架,用于预测疾病发病率。与传统的基于文本的预测模型相比,我们的方法不需要特定于疾病的特征工程,并且可以处理存在于文本中的否定和数值。在 100 万名患者的队列中,我们的模型表明使用文本的模型优于仅使用结构化数据的模型,并且能够使用文本中的数值和否定,进一步提高预测性能。此外,我们比较了医疗专业人员用于解释模型预测的不同可视化方法。
Aug, 2018
利用电子健康记录和大型语言多模型,我们开发了基于电子健康记录的慢性病预测平台,该平台可以与前端网络和移动应用程序成功集成,以实现实时风险评估诊断。
Jun, 2024
该研究旨在通过临床文本的预测,预防医生忽略潜在风险并帮助医院规划能力。使用语言模型分析预测诊断结果、手术、住院死亡率和住院时间。提出了临床结局预训练来整合多个公共来源的患者结局知识,并提出了一种将 ICD 编码层次结构纳入模型的简单方法,以提高模型的性能和可迁移性,同时也揭示了模型的一些缺陷。
Feb, 2021
我们提出了一个名为 Heath-LLM 的创新框架,它结合了大规模特征提取和医学知识权衡评分,与传统的健康管理方法相比,具有三个主要优势,它将健康报告整合到一个大模型中以提供详细的任务信息,使用专业的医学专业知识来调整健康特征的加权得分,并使用半自动特征提取框架来增强语言模型的分析能力,并结合专家见解来提高疾病预测的准确性。我们对大量的健康报告进行了疾病预测实验,结果表明所提出的方法超过了传统方法,并有潜力革命性地改变疾病预测和个性化健康管理。
Feb, 2024
使用大型语言模型,本研究探索将结构化的患者就诊数据(例如诊断、实验室和处方)转化为自然语言叙述的可行性,并提出了一种利用不同角色的语言模型代理(预测者代理和评论者代理)的新方法。结果表明,相比传统的监督学习方法,在基于电子健康记录的疾病预测中,使用该方法的大型语言模型能够实现相当不错的少样本性能,暗示其在健康相关应用中的潜力。
Mar, 2024
提出了一种基于层级潜在变量模型的个性化医学方法,该方法能够预测个体疾病过程,提高诊疗效果。将疾病程度描述为连续值,连续时间函数,分享不同粒度观测间的统计力量,使用离线参数学习算法和在线参数学习程序,对硬皮病引起的间质性肺病的疾病过程进行预测,并与现有方法进行比较,获得了显著改进。
Jan, 2016
AutoPrognosis 2.0 是一种基于机器学习的框架,可帮助开发优化的诊断和预测模型,并且能够提供模型可解释性工具并展示展示临床演示成果,并已在糖尿病领域成功应用,具有广泛的应用前景。
Oct, 2022