基于时间医院数据轨迹的个性化患者风险预测
在这篇论文中，我们提出了一种个性化的实时风险评分算法，基于病人的（时间性）实验室测试和生命体征提供及时和细致的临床状况评估，确保临床恶化的病人能够及时转入重症监护室，该风险评分系统通过从离线电子健康记录数据中学习一组潜在的患者亚型，并训练一组高斯过程( GP ) 专家，每个专家可以模拟与特定患者亚型相关的生理数据流，从而实现。
Oct, 2016
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
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
本研究使用机器学习算法基于患者数据预测患者短期和长期预后，以及病人的出院去向等重要临床结果，帮助医疗团队提升决策质量并实现有效的医院管理。实施该工具后平均每位患者住院时间减少了0.67天，每年可为医疗系统创造高达5500万至7200万美元的经济效益。
May, 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
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
实验结果突出了LSTM模型对建立真实世界预测引擎的高效性，通过利用严格的多变量时间序列测量将时间框架缩小到6小时，这个自动数据驱动系统可以分析从电子健康记录中得出的大量多变量时间数据，提取高级信息以早期预测住院死亡率和住院时间。
Aug, 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
使用现代可解释的机器学习技术设计准确可解释的死亡风险评分模型，通过评估医疗中心的风险，研究领域的泛化性，并开发了一种新的算法GroupFasterRisk，其风险评分模型在设计灵活性上比黑盒机器学习模型优于传统风险评分模型。
Nov, 2023