Nov, 2024

基于时序差分学习的重症监护室实时报死亡率预测

HTML
PDF
TL;DR本研究解决了通过监督机器学习预测长期患者结果时高方差带来的挑战。我们提出了一种利用半马尔可夫奖励过程的时序差分学习框架，以实时不规则采样时间序列数据进行死亡率预测，结果显示该方法在模型稳健性上优于传统监督学习，且在外部数据集验证时依然保持了这种稳健性。这一研究可能为预测高方差不规则时间序列数据中的患者结果提供了一种更可信赖的方式。
发现论文，激发创造
  • AttDMM：一种用于重症监护病房风险评分的注意力深度马尔科夫模型

    本文提出了一种新型生成式深度概率模型AttDMM，用于实时风险评分，联合学习了疾病动态和不同健康轨迹下的疾病状态，通过基准数据集(MIMIC-III)验证效果显著，将 ICU 患者生命预警提前数小时，为做出及时干预提供了路径。

    Feb, 2021

  • 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

  • 连续时间循环神经网络: 概览及其在重症监护中预测血糖方面的应用

    本文介绍了在不规则测量环境中，利用神经普通微分方程或神经流层来提高自回归递归神经网络性能的不同CTRNN体系结构，研究表明，在血糖概率预测方面，只有LSTM和ODE-LSTM体系结构与渐进提升树模型具有相当的性能。

    Apr, 2023

  • 医疗保险索赔的时间性变化的大规模研究

    本文通过数据分析的方法，研究了机器学习模型在预测医疗结果时，由于时间的推移导致的数据分布漂移，通过算法进行了研究和验证，并得出了医疗领域临床结果的时间分布漂移的普遍存在性。

    May, 2023

  • 使用长短期记忆网络预测ICU病死率

    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

  • 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

  • 解释可微潜在状态对医疗时间序列数据

    应用机器学习从大规模时间序列数据中提取临床见解，解释潜在状态、预测结果，并通过算法识别白天行为模式以预测夜间行为。

    Nov, 2023

  • 患者风险进展建模的时间监督对比学习

    我们提出了一种监督对比学习框架，通过学习每个时间步长的患者时间序列的嵌入表示来预测患者在随着观察到更多患者数据的过程中感兴趣结果的可能性变化。我们的方法在预测败血症患者的死亡率（MIMIC-III数据集）和追踪认知障碍的进展（ADNI数据集）方面优于现有的基准方法，并且在实验中始终能够正确恢复合成数据集的嵌入结构。

    Dec, 2023

  • 医学预测监测中的动态特征选择：强化学习

    研究采用强化学习优化时间序列场景下的动态特征选择方法，提高临床预测监测中的数据挖掘效果。

    May, 2024

  • 通过长期临床时间序列预测在医疗保健中早期预测原因（而非结果）

    本研究解决了在医疗保健中早期诊断的复杂问题，即如何直接预测临床测量（原因），而非其结果（效果）。研究提出了一种创新的方法，通过临床变量的时间序列预测来进行预测，此方法具有易于临床实践者理解的优势。实验结果表明，使用标准密集编码器与迭代多步解码器的组合在预测稀疏的临床变量方面效果最佳，有助于精准识别与败血症相关的指标。

    Aug, 2024