基于心电图的死亡风险预测基准测试

Jun, 2024

基于心电图的死亡风险预测基准测试

Benchmarking mortality risk prediction from electrocardiograms

Platon Lukyanenko, Joshua Mayourian, Mingxuan Liua, John K. Triedman, Sunil J. Ghelani...

TL;DR研究使用大型医院拥有的心电图数据库来建模和预测患者死亡率，通过与两种神经网络架构比较四种深度存活建模方法以及在一到十年内的绩效评估，结果表明 AUROC 和协调性得分与以往工作相当（约 0.8），考虑到与死亡率相关的心电图样本的比例（MIMIC-IV：27％，Code-15：4％），AUPRC 得分合理（MIMIC-IV：0.4-0.5，Code-15：0.05-0.13）。

Abstract

Several recent high-impact studies leverage large hospital-owned electrocardiographic (ECG) databases to model and predict patient mortality. MIMIC-IV, released September 2023, is the first comparable public dataset and includes 800,000 ECGs from a U.S. hospital system. Previously, the

ecg databases patient mortality neural network architectures survival modeling cox regressions

发现论文，激发创造

Mimic-IV-ICD：一个新的极端多标签分类基准

本文提出了一个基于 MIMIC-IV 公共电子病历数据集的 ICD 编码公共基准套件，使数据预处理标准化并建立全面的 ICD 编码基准数据集，加速未来研究中采用自动 ICD 编码的进展。

Apr, 2023

使用 MIMIC-IV 进行基准测试：一种不规则、稀疏的临床时间序列数据集

电子健康记录（EHR）与应用机器学习解决领域内的各种问题越来越受欢迎，而这一增长的研究领域也引发了对 EHR 可访问性的需求。本研究的目标是填补 MIMIC-IV 最新版本的 MIMIC 数据集的基准测试工作的不足，并提供一个详细的文献调查，对已经完成的 MIIMIC-III 研究进行评估。

Jan, 2024

应用深度学习对急诊心电图进行心脏和除心脏疾病辨别

该研究展示了一种单一模型在急诊科收集到的心电图数据上具备预测多种心脏和非心脏病症的能力，并提出将该模型作为筛查工具并纳入综合临床决策支持系统来高效地对患者进行分诊。研究强调了全面的心电图分析算法和开放式 MIMIC-IV-ECG 数据集的卓越性能，推动了心电图分析领域的重大进展。

Dec, 2023

基于 MIMIC 大型医疗数据集的深度学习模型对比

本篇论文通过 MIMIC-III 数据集进行临床预测任务（如死亡率预测、住院时间预测以及 ICD-9 编码分组预测）的基准测试，结果表明，相较于基于机器学习模型和预测评分系统，深度学习模型在使用原始临床时间序列数据作为输入特征时有更好的表现。

Oct, 2017

心电图深度学习预测术后死亡率

通过开发一种基于 ECG 信号的深度学习算法，可以提高预测术后死亡风险的准确性，其鉴别能力优于修正心脏风险指数评分，患者风险等级可以帮助区分手术前死亡风险。该算法在多个手术类型的患者和两个独立医疗系统的患者中都有较好的表现。

Apr, 2022

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

MIMIC-IV 数据集上深度学习模型的可解释性和公平性评估

该研究关注深度学习模型在医疗场景下的可解释性和公平性问题，以 MIMIC-IV 数据集为例，分析了预测模型的可解释性和预测公平性，并揭示了该数据集中存在的偏差和不平等对策。

Feb, 2021

基于多实例学习的心电图风险分层

本文提出一种使用机器学习从原始心电图 (ECG) 信号学习患者心血管死亡风险的方法，该方法通过采用多元实例学习框架从原始 ECG 信号中学习表征，并在 5000 名患者数据集上证明其可以准确地预测患者在 30、60、90 和 365 天内心血管死亡风险，优于现有的风险因子评估方案。

Dec, 2018

临床时间序列数据的多任务学习和基准测试

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

机器学习预测急性心肌梗死后的长期死亡率：基于收集的收缩时间间隔和临床数据

该研究调查了树模型在长期死亡预测上的表现，并研究了两种近期引入的生物标志物对长期死亡的影响。研究采用来自中国台湾卫生福利部的 CCHIA 公开数据，以及从 139 例急性心肌梗死患者收集的医学和人口统计学数据，使用先进的集成树模型算法预测了 14 年内的全因死亡率，并发现添加生物标志物后算法的性能有所提高，可更好地为高风险个体确定治疗优先级。

Mar, 2024