- medIKAL: 将知识图谱集成为 LLMs 助手,以增强 EMR 上的临床诊断
整合知识图谱和大型语言模型的 medIKAL 框架能够通过对实体的加权重要性和路径重新排序等策略提升电子病历的诊断能力,为临床推理和诊断带来了新的突破。
- 天书副驾驶员:面向自主电子病历导航
通过自动化例行任务和简化电子病历系统的文档流程,我们的研究结果突显了自主代理对于减轻临床医生当前电子病历系统带来的认知负荷所具有的重要潜力。
- PE-MVCNet:肺栓塞预测的多视角和跨模态融合网络
为了提高患者的生存率,该研究提出了一种多模态融合方法来检测肺栓塞。通过集成 CT 肺血管造影和电子病历数据,该方法融合了图像和临床信息,取得了显著的预测效果,从而超越了仅使用单个数据模式的模型。
- 揭示使用 EMR 开发的预测模型解释的差异
通过将当前最先进的可解释性方法应用于电子病历数据的临床决策支持算法,分析这些因素之间的一致性,并从临床和技术角度讨论确定的差异的原因,进而讨论实现可信赖的临床决策支持的重要因素。
- 利用不同深度学习模型从临床文本中提取药物及时序关系
探索了 MedTem 项目中利用深度学习和大型语言模型(LLM)进行医疗信息从 EMR 中提取和分类的效果,并对不同字嵌入技术进行了研究。在医疗实体识别任务中,CNN-BiLSTM 模型优于 BiLSTM-CRF 模型,分别达到了 75.6 - 基于面向文本的医疗知识图谱表示学习的伴侣动物疾病诊断
提出了一种用于动物疾病的高效诊断的知识图嵌入模型,该模型可以学习各种类型的文字信息和图结构,并将它们融合成统一的表示,通过门网络将不同类型的实体和节点特征信息融合为统一的向量表示,然后提出了一种自监督学习任务来预训练图结构,并在链接预测任务 - 基于知识增强的医疗对话信息提取的两阶段生成框架
本文提出了一种知识增强的两阶段生成框架(KTGF)来从医学对话中提取术语 - 状态对(MD-TSPE),以解决生成方法在集成先验知识、建模术语关系和推断术语状态方面存在的挑战。本方法在综合生成形式中通过任务特定提示完成 MD-TSPE,并在 - 评估流行的可解释人工智能在临床预测模型中的应用:能否信赖?
本研究旨在评估两种流行的可解释人工智能方法在医疗保健背景下解释预测模型的精确度,重点考虑是否产生与应用任务相一致的域适当表示,如何影响临床工作流程以及是否一致性,结果表明目前的技术还有改进的空间。
- 基于时间的迭代插补策略用于多变量纵向临床数据
本文提出了一种简单的新方法,即基于时间依赖的迭代插补(TDI),用于填补临床数据中的缺失值,该方法针对多变量和纵向数据,并基于数据的临床模式(包括缺失率和测量频率)引入了患者、变量和观察特定的动态加权策略。对 MIMIC III 和 COV - 电子病历中基于 Transformers 的方法应用:一项系统文献综述
该文是关于基于 Transformer 的自然语言处理(NLP)应用到电子病历(EMR)领域的最新研究进展的系统文献综述,涵盖了业务问题、NLP 任务、模型和技术、数据集可用性、建模再现性、语言和交换格式等方面。通过分析当前研究的局限性和未 - 探究医疗文本到 SQL 模型和数据集的泛化能力
通过在医疗文本转 SQL 数据集上创建新的数据集,研究人员展示了当前自然语言处理模型在医疗领域的性能稳定性有待提高,并提出了一种新的数据增强方法来改善这个问题。
- 临床基础建模的不稳定基础:大型语言模型和 EMR 基础建模调查
本文回顾了 80 多个非成像电子医疗记录基础模型并创建了一个分类法以区分它们的结构、训练数据和潜在用例。作者们发现,大多数模型是在小型、局限性临床数据集(例如 MIMIC-III)或广泛的公共生物医学语料库(例如 PubMed)上进行训练的 - 自适应特征重要性校准的腹膜透析患者死亡率预测:基于真实世界纵向随访数据的深度学习研究
我们开发了一个即时、个性化和可解释的死亡预测模型 - AICare,该模型使用电子病历等随访数据,能够明确识别每个患者的关键特征,进而建立健康状态嵌入模型,并在包括腹膜透析和血液透析等临床数据预测任务中达到了良好的预测效果。
- 跨机构文本挖掘揭示临床相关性:以重症医学社会因素和病情代码为例的案例研究
通过使用来自外部机构的现成文本挖掘模型,与内部标记有限的数据结合使用,可靠地提取研究变量以进行关联研究。我们对在不同数据组合上构建多个文本挖掘模型,并评估了社交因素与是否具有不复苏 / 插管代码之间的关联。虽然文本挖掘可以协助扩展对样本的分 - 基于临床记录抽取的不同表征模型评估死亡率预测
本研究基于 Transformers 预训练的语言表示学习方法,将特定医学记录中的信息提取,映射到标准词汇中,并在医院死亡预测任务中测试不同输入格式的性能,结果表明使用提取的唯一概念和标准名称作为输入可以获得更好的性能。
- 基于交互感知图归纳的药品包装推荐
本研究提出了一种考虑药物之间相互作用,及其与患者病况影响的药物推荐新方法,其中包括在电子病历和领域知识上设计的药物交互图和两个变体的 Drug Package Recommendation (DPR) 框架,该框架采用了图神经网络 (GNN - EMNLP自动构建放射学报告的集成方法
本研究提出了一种基于文本属性的整合方法,包括三个模型:聚焦句模型、周围上下文模型和格式 / 布局模型,采用双向 LSTMs 和句子编码来获取上下文,结合多个特征和报告结构进行自动标注,取得了相对于其他方法来说更好的 97.1% 精度。
- AAAI一个动态深度神经网络用于多模态临床数据分析
本文介绍了 AdaptiveNet 重复神经网络的体系结构,以处理电子病历的多个事件列表,并应用于风湿性关节炎的疾病进展预测,优于传统基线方法。
- ConCare: 通过捕捉医疗保健背景个性化的临床特征嵌入
本文提出了 ConCare 方法来处理不规则的电子病历数据并提取特征之间的关系以进行个性化医疗预测。该方法模拟了时间感知分布,进一步通过跨头部去关联来改善多头自我关注,以有效捕获动态特征和静态基线信息之间的相互依赖关系以形成个人健康背景。实 - 电子病历问答文本到 SQL 的生成
本文利用深度学习技术提出了一种新的基于 Translate-Edit 模型的健康医疗 Question-to-SQL 语句生成方法,并在公开的电子病历数据库 MIMIC 上进行了广泛实验。结果表明,该方法可适应医疗领域中常见的缩写与错别字,