- 锐性感染和脓毒症的基于血液的诊断和预后的机器学习分类器开发
我们应用机器学习技术解决急性感染和败血症快速准确诊断和预后的医学需求,通过测量患者血液中 29 种信使 RNA 的丰度作为机器学习的特征,并通过分类器将这些特征转化成直观的检测报告,包括细菌感染、病毒感染和病情严重程度的区分。在内部验证中, - 利用贝叶斯网络结构学习研究败血症潜在原因
通过结合临床专业知识与基于评分、基于约束和混合结构学习算法,该研究研究了可能受政策决策影响的败血症潜在原因的潜在因果结构,并发现慢阻肺、酒精依赖和糖尿病等风险因素的存在会增加患者患败血症的可能性,从而对政策具有潜在影响。通过评估模型在预测败 - 可解释的生命体征预测与模型无关的注意力图
该研究通过结合深度学习模型和注意力机制的框架,提高其在预测败血症过程中的可解释性,从而支持临床决策。研究通过评估基于 eICU-CRD 数据集的模型在预测败血症患者生命体征方面的表现,并采用均方误差(MSE)和动态时间规整(DTW)度量来评 - 强化学习顺序决策治疗脓毒症:具有死亡分类器和转换器的 POSNEGDM 框架
这篇论文介绍了一种名为 POSNEGDM 的强化学习框架,利用创新的基于 Transformer 的模型和反馈强化器,结合考虑个体患者特征的专家行动复制,提高感染性休克治疗的生存率达到 97.39%。该框架显著改善了患者的生存情况,超过现有 - 临床环境下脓毒症发作的早期预测
采用机器学习模型来预测感染性休克的早期发生,利用来自纽约布朗克斯 Montefiore 医疗中心的非身份识别的临床数据。
- 感染中 SOFA 评分集群轨迹预测死亡率
监测 SOFA 评分的动态变化对于评估败血症的严重程度和治疗反应性具有价值。
- 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。
- ICU 中脓毒症患者的生命体征预测
利用深度学习架构进行多步预测系统,用于在重症监护病房中预测感染性休克发展的生命指标,从而在医疗决策中提供准确的预测信息,以改善病患护理和结果。
- 将基于机器学习的早期败血症检测扩展到不同人群
本研究使用公共 eICU-CRD 数据集和韩国圣玛丽医院的私人数据集,对 LightGBM 和 XGBoost 两种集成学习方法进行比较分析,发现这些方法在处理医疗数据不平衡和增强脓毒症检测方面的有效性。具体而言,LightGBM 在计算效 - 复杂医学决策中人工智能人机协同的再思考:一项败血症诊断案例研究
该研究旨在探讨 AI 系统的设计要求,以支持临床专家在早期诊断败血症方面做出更好的决策。通过对现有 AI 预测模块的基于医疗记录的电子健康档案系统的临床专家的形态学研究,该研究构建了 SepsisLab,通过 AI 算法预测败血症发展并可视 - NPRL: ICU 创伤患者早期脓毒症发病预测之夜间档案表征学习
本文提出了一种实现在医学设施内部署的早期预测严重感染的方法,使用机器学习与深度学习方法,研究人员还提出了夜间患者个体风险特征向量的学习方法,通过实验验证了该方法的有效性。
- 早期脓毒症预测的多子集方法
利用机器学习和多子集方法进行感染性休克早期预测可缩短预测时间,并以时变趋势特征进一步改进早期预测的性能。
- 使用脱机强化学习学习连续空间中败血症的最佳治疗策略
提出一种基于历史数据的新型医疗决策模型,使用深度强化学习解决了传统去强化学习中与环境交互的问题,能够进行连续状态 - 行动决策空间中的决策,建议的治疗方案比临床医生建议的更具价值和可靠性,能够提供个性化和可解释的抗感染治疗决策,进而提高患者 - 使用机器学习和临床自然语言处理在急诊接诊时准确检测败血症
研究以机器学习算法 (KATE) 为基础,与就诊数据进行综合,能够在急诊科中高准确度地诊断感染性休克,并且其在重症感染和感染性休克的诊断性能明显优于常用的诊断方案。
- 离线强化学习的模型选择:医疗环境的实际考虑
通过离线强化学习中的策略评估,本研究提出了一种模型选择方法,使得在医疗保健中学习到的治疗策略更好地在实际环境中投入使用。在利用离线强化学习学习感染性休克患者的治疗策略的过程中,研究人员比较了不同的离线策略评估方式,并提出了一种简单的两阶段方 - 基于协变量漂移的脓毒症检测更通用的模型
针对重症监护室 (SICU) 中脓毒症早期识别的机器学习模型存在协变量偏移问题,本研究着眼于解决该问题,提出协变量偏移校正方法,并观察到在处理协变量偏移问题下,该方法可以提升模型的泛化能力。
- 基于模型的脓毒症治疗强化学习
本文介绍一个使用基于持续状态空间模型的强化学习来发现高质量感染症状患者治疗策略的方法,并通过与临床医生的实践结合从而形成更好的治疗方案,最终提高感染症状患者的医疗诊疗效果。
- ICML用于分类感染性和非感染性患者微循环图像的机器学习算法
研究使用机器学习分类器对住院患者的暗场显微镜下的微循环视频进行非感染和感染图像的区分,该分类器准确度达到 89.45%。分类器用于区分感染和非感染患者的特征空间具有潜在的诊断应用价值。同时,使用无监督的卷积自编码器将学习到的特征从压缩的表征 - 精准医学作为控制问题:使用模拟和深度强化学习,发现适应性个性化的多细胞因子治疗脓毒症
本研究使用先前开发的模拟机体免疫应答的内在免疫应答基于代理模型,并采用深度强化学习算法,通过建立系统病人测量的反馈回路,鉴定了适应性、个性化的多细胞因子调节治疗策略,成功将败血症患者死亡率降至零,并证实该中策略在随机病人参数空间中也表现良好 - 深度强化学习用于脓毒症治疗
该研究提出了一种使用连续状态空间模型和深度强化学习推断感染性休克患者治疗方针的方法,模型可以学习临床可解释的治疗方针,为深度减轻和改善患者生存率提供辅助。