Causal Representation Learning from Multimodal Clinical Records under Non-Random Modality Missingness
Emory University(埃默里大学)
本文针对多模态临床记录中非随机缺失模态问题,提出一个因果表示学习框架,通过MMNAR感知融合、对比重建和偏倚校正,在MIMIC-IV和eICU上显著提升再入院和ICU入院预测性能。
2026-11-09 cs.CL cs.LG stat.ME
A Novel Generative Multi-Task Representation Learning Approach for Predicting Postoperative Complications in Cardiac Surgery Patients
Washington University in St. Louis(华盛顿大学圣路易斯分校);Washington University School of Medicine(华盛顿大学医学院)
本文提出surgVAE生成式多任务表示学习方法,通过跨任务跨队列学习预测心脏手术患者六种术后并发症,性能优于现有ML模型,并增强了风险因素可解释性。
2024-12-18 cs.LG eess.IV
Advanced models for predicting event occurrence in event-driven clinical trials accounting for patient dropout, cure and ongoing recruitment
我们考虑事件驱动的临床试验,一旦达到预定数量的临床事件,就进行分析。例如,这些事件可能是肿瘤学进展或心血管试验中的卒中。在中期阶段,主要任务之一是预测一段时间内的事件数量和达到特定里程碑的时间,我们需要考虑不仅可能发生在已招募和随访患者中的事件,还可能发生在尚未招募的患者中的事件。因此,在此类试验中,我们需要同时对患者招募和事件计数进行建模。在本文中,我们开发了一种新的分析方法,该方法考虑了患者被治愈的机会,以及他们辍学和失访的机会。招聘建模使用泊松-伽马模型在以前的出版物。当考虑事件的发生时,我们假设到主要事件的时间和到退出的时间是独立的随机变量,并且我们已经开发了一些使用指数分布、威布尔分布和对数正态分布的具有治愈的高级模型。这种技术得到了良好开发、测试和记录的软件的支持。使用模拟和参考开发的软件的真实数据集的结果进行了说明。
2021-08-20 stat.AP stat.CO stat.ME
Applying a random projection algorithm to optimize machine learning model for predicting peritoneal metastasis in gastric cancer patients using CT images
University of Oklahoma(俄克拉荷马大学)
背景和目的:在手术前非侵入性地预测癌症转移的风险在确定癌症患者(包括可以从新辅助化疗中受益的患者)的最佳治疗方法中起着至关重要的作用。尽管开发基于放射组学的机器学习(ML)模型已经为此目的吸引了广泛的研究兴趣,但它通常面临如何使用小且不平衡的图像数据集构建高性能且鲁棒的ML模型的挑战。方法:在这项研究中,我们探索了一种新的方法来构建最佳ML模型。收集了159例诊断为胃癌的患者的腹部计算机断层扫描(CT)图像。其中121例有腹膜转移,38例无腹膜转移。首先应用计算机辅助检测(CAD)方案来分割原发性胃肿瘤体积,并且最初计算315个图像特征。然后,两个梯度提升机(GBM)模型嵌入两种不同的特征降维方法,即主成分分析(PCA)和随机投影算法(RPA)和合成少数过采样技术,预测患者的PM的风险。所有GBM模型都使用留一例交叉验证方法进行训练和测试。结果:RPA包埋的GBM预测准确率(71.2%)显著高于PCA包埋的GBM预测准确率(65.2%)(p<0.05)。结论:研究表明,原发性胃肿瘤的CT图像包含判别信息来预测PM的风险,RPA是一种很有前途的方法来生成最佳特征向量,提高医学图像的ML模型的性能。
2020-09-01 cs.CV cs.LG eess.IV
Predicting adverse outcomes following catheter ablation treatment for atrial fibrillation
University of New South Wales(新南威尔士大学);Concord Repatriation General Hospital(康科德遣返综合医院);University of Sydney(悉尼大学)
本研究利用澳大利亚新南威尔士州3285名AF导管消融患者的关联数据,开发了传统和深度生存模型预测不良结局。结果显示复合结局预测模型表现出色(一致性指数>0.79),而主要出血事件预测效果不佳,有助于临床识别高危患者。
2023-06-05 cs.LG q-bio.QM stat.OT
TCKAN:A Novel Integrated Network Model for Predicting Mortality Risk in Sepsis Patients
Yunnan University(云南大学)
TCKAN集成时序、静态和ICD代码数据,在MIMIC-III和IV上以高AUC(87.76%、88.07%)超越现有方法,有效预测脓毒症患者死亡风险并应对数据不平衡。
2024-11-08 cs.AI stat.AP
Predicting Antimicrobial Resistance in the Intensive Care Unit
抗生素耐药性(AMR)是患者面临的风险,也是医疗保健系统的负担。然而,AMR检测通常需要几天时间。本研究基于易于获得的临床和微生物学预测因子(包括患者人口统计学、住院数据、诊断、临床特征和微生物/抗菌剂特征)开发AMR预测模型,并将这些模型与仅使用微生物/抗菌剂特征的基于朴素细菌谱图的模型进行比较。在培养前准确预测耐药性的能力可以为临床决策提供信息,并缩短采取行动的时间。使用Philips eICU研究所(eRI)数据库,本文采用的机器学习算法显示出6种微生物和10种抗生素的分类性能(受试者操作特征曲线下面积0.88-0.89)优于朴素模型(受试者操作特征曲线下面积0.86)。这种方法可以帮助指导抗菌治疗,目的是改善患者的预后,减少不必要或无效抗生素的使用。
2021-11-05 stat.AP stat.ML
Imputing missing not-at-random longitudinal marker values in time-to-event analysis: fully conditional specification multiple imputation in joint modeling
本文提出用全条件设定多重填补处理纵向标志物非随机缺失,再结合联合建模估计标志物与事件的关联,模拟和真实数据均验证其优于标准方法。
2024-03-28 stat.ME
MMAP: Multimodal Missing-Aware Pretraining for Longitudinal Alzheimer's Prediction
Imperial College London(伦敦帝国理工学院);FAU Erlangen-Nürnberg(埃尔朗根-纽伦堡大学);Rosalind Franklin Institute(罗莎琳德·富兰克林研究所)
针对医学数据中模态缺失和不完整表格数据问题,提出MMAP多模态缺失感知预训练方法,通过sigmoid对比学习与生成式重建及缺失令牌生成器学习图像-表格表征,在阿尔茨海默病纵向预测任务上优于强基线。
2026-11-05 cs.CV cs.LG
Personalized Predictions from Population Level Experiments: A Study on Alzheimer's Disease
本文利用合成最近邻(SNN)估计器从群体水平RCTs推断患者水平结果,通过插补中止治疗和未分配治疗的缺失数据,在阿尔茨海默病3期临床试验中表现优异,为精准医学提供了新工具。
2024-05-30 stat.AP stat.ME
Predicting Patient State-of-Health using Sliding Window and Recurrent Classifiers
University of Edinburgh(爱丁堡大学);University of Oxford(牛津大学);Alan Turing Institute(艾伦·图灵研究所)
重症监护室(ICU)中的床边监护仪经常发出错误的声音,减慢响应时间并使护士对警报不敏感(Chambery,2001),导致错过真正的警报(Hug等人,2011年)。我们比较滑动窗口预测与复发预测分类ICU多变量时间序列患者的健康状况,我们报告了四个目标中三个的RNN性能略有改善。
2016-12-02 cs.LG stat.ML
Predicting Glaucoma Visual Field Loss by Hierarchically Aggregating Clustering-based Predictors
The University of Tokyo(东京大学);JST(日本科学技术振兴机构)
本研究解决了从患者疾病数据集预测昏迷性视野丧失的问题。我们的目标是准确预测个体患者的疾病进展。由于每个患者的可用测量值很少,因此很难为个体产生良好的预测值。最近提出的基于聚类的方法增强了使用具有相似时空模式的患者数据的预测能力。每个患者被归类为一组患者,并使用该类中的所有数据构建预测模型。预测高度依赖于聚类的质量,但很难确定最佳聚类方法。因此,我们提出了一种方法,用于聚合基于聚类的预测,以获得更好的预测精度比从一个单一的基于聚类的预测。此外,该方法显示出非常高的性能,通过分层聚合从几个基于聚类的方法产生的专家。我们使用真实的数据集来证明我们的方法比传统的基于聚类和患者的回归方法表现得更好,因为分层聚合策略具有一种机制,使小社区中的良好预测者能够茁壮成长。
2016-03-23 cs.LG stat.ML
The Challenge of Predicting Meal-to-meal Blood Glucose Concentrations for Patients with Type I Diabetes
University of Alberta(阿尔伯塔大学);Alberta Machine Intelligence Institute(阿尔伯塔机器智能研究所);Alberta Diabetes Institute(阿尔伯塔糖尿病研究所)
I型糖尿病(T1 D)患者必须接受胰岛素注射,以防止高血糖症-高血糖(BG)的严重长期影响。患者还必须注意不要注射过多的胰岛素,因为这可能会引起低血糖(低血糖),这可能是致命的。因此,患者遵循一个“方案”,决定多少胰岛素注射在某些时候。目前管理这种疾病的方法需要根据疾病的行为(记录在患者的糖尿病日记中)随时间调整患者的方案。如果我们可以从患者的当前特征(例如,预测今天的午餐BG值,给定今天的糖尿病日记中关于早餐的条目,包括胰岛素注射,以及可能更早的条目),则相对容易产生有效的方案。本研究通过将几种机器学习算法和各种数据预处理变体(对应于312种[学习者,预处理数据集]组合)应用于包含来自47名不同患者的29601个条目的新T1 D数据集,探索BG建模的挑战。我们最准确的预测是两个高斯过程回归模型的加权集合,其errL 1损失为2.70 mmol/L(48.65 mg/dl)。考虑到使用简单预测患者平均BG的简单方法可以获得2.91 mmol/L(52.43 mg/dl)的errL 1,这是一个意外的差结果。对于每个数据变量/模型组合,我们报告了几个评估指标,包括葡萄糖特异性指标,并发现类似的令人失望的结果(最佳模型仅比最简单的测量值更好)。这些结果表明,通常收集的糖尿病日记数据可能不足以产生准确的BG预测模型;可能需要额外的数据来建立准确的BG预测模型。
2019-03-29 cs.LG stat.ML
Predicting Treatment Initiation from Clinical Time Series Data via Graph-Augmented Time-Sensitive Model
IQVIA Inc.(艾昆纬公司);University of Minnesota Twin Cities(明尼苏达大学双城分校);Georgia Institute of Technology(佐治亚理工学院)
提出了许多计算模型来从每个患者和患者组的临床时间序列中提取时间模式以用于预测性医疗保健。然而,患者之间的共同关系(例如,医生很少考虑。在本文中,我们表示病人和临床医生的关系,例如,从病人得到诊断的二分图解决。然后,我们求解图拉普拉斯算子的顶部特征向量,并将特征向量作为患者-临床医生对之间的相似性的潜在表示包括到时间敏感的预测模型中。我们使用真实世界的数据进行了实验,以预测慢性淋巴细胞白血病(CLL)患者的一线治疗的开始。结果表明,关系相似性可以改善多个基线的预测,例如,在精确-召回曲线下的面积方面,在长短期记忆基线上增加5%。
2019-07-01 cs.LG stat.ML
Blood lactate concentration prediction in critical care patients: handling missing values
Fondazione Bruno Kessler Research Institute(布鲁诺·凯斯勒基金会研究所);Humanitas Research Hospital(胡曼尼塔斯研究医院)
血乳酸浓度是危重患者死亡风险的一个强有力的指标。虽然频繁的乳酸盐测量对于评估患者的健康状态是必要的,但是该测量是一种侵入性程序,可能会增加医院获得性感染的风险。出于这个原因,我们正式定义乳酸预测问题作为机器学习社区的临床相关的基准问题,以协助血液乳酸检测的临床决策。因此,我们展示了问题的相关挑战及其数据,以及所采用的解决方案。此外,我们还评估了不同预测算法在多中心eICU数据库中ICU患者的大型数据集上的性能。更具体地说,我们专注于研究每种算法在乳酸预测中缺失值插补方法的影响。实验分析表明,有前途的预测结果,鼓励进一步调查这个问题。
2019-10-03 cs.LG cs.NE stat.ML
Integrated Convolutional and Recurrent Neural Networks for Health Risk Prediction using Patient Journey Data with Many Missing Values
Flinders University(弗林德斯大学);RMIT University(皇家墨尔本理工大学);UC Davis(加州大学戴维斯分校);Northwest A&F University(西北农林科技大学);UNSW(新南威尔士大学)
近年来,使用电子健康记录(EHR)预测患者的健康风险引起了相当大的关注,特别是随着深度学习技术的发展。健康风险是指特定患者发生特定健康结果的概率。预测的风险可用于支持医疗保健专业人员的决策。EHR是结构化的患者旅程数据。每个患者旅程包含按时间顺序排列的一组临床事件,并且在每个临床事件内,存在一组临床/医疗活动。由于患者状况和治疗需求的变化,EHR患者旅程数据具有固有的高度缺失,其包含影响变量之间关系的重要信息,包括时间。现有的基于深度学习的模型在学习关系时为缺失值生成估算值。然而,EHR患者行程数据中的插补数据可能会扭曲原始EHR患者行程数据的临床意义,导致分类偏倚。本文提出了一种新的端到端的方法来建模EHR病人旅程数据集成卷积和循环神经网络。我们的模型可以捕获每个患者旅程中的长期和短期时间模式,并有效地处理EHR数据中的高度缺失,而无需生成任何插补数据。在两个真实数据集上使用该模型的广泛实验结果表明,与现有的最先进的基于插补的预测方法相比,该模型具有强大的性能和卓越的预测精度。
2022-11-14 cs.LG
Benchmarking Deep Learning Architectures for Predicting Readmission to the ICU and Describing Patients-at-Risk
University of New South Wales(新南威尔士大学);The George Institute for Global Health(乔治全球健康研究所);The University of Sydney(悉尼大学);Concord Clinical School(康科德临床学院);Sydney Local Health District(悉尼地方卫生区);Prince of Wales Hospital(威尔士亲王医院)
目的:比较不同的深度学习架构,以预测从重症监护病房(ICU)出院后30天内再入院的风险。利用基于注意力的模型的可解释性来描述处于风险中的患者。研究方法:利用注意力机制、递归层、神经常微分方程(ODE)和具有时间感知注意力的医学概念嵌入的几种深度学习架构使用与33,150名患者的45,298次ICU停留相关的公开可用电子病历数据(MIMIC-III)进行训练。贝叶斯推理被用来计算后验权重的注意力为基础的模型。计算静态变量与再入院风险增加相关的比值比。根据再入院的相关风险对诊断、手术、药物和生命体征进行排名。结果如下:一个递归神经网络,与神经ODE计算的代码嵌入的时间动态,实现了最高的平均精度为0.331(AUROC:0.739,F1-得分:0.372)。预测准确性在神经网络架构中相当。有风险的患者群体包括患有感染性并发症、慢性或进行性疾病以及标准医疗护理不适合的患者。结论:如果需要一个可解释的模型,基于注意力的网络可能比递归网络更可取,而预测准确性的成本只有边际。
2020-01-07 cs.LG stat.ML
Interpret Your Care: Predicting the Evolution of Symptoms for Cancer Patients
Princess Margaret Cancer Centre, University Health Network(大学健康网络玛格丽特公主癌症中心);CIFAR AI Chair(CIFAR AI 主席)
癌症治疗对患者来说是一个艰巨的过程,在治疗期间和治疗后会引起许多副作用。治疗可以影响几乎所有的身体系统,并导致疼痛,疲劳,睡眠障碍,认知障碍等,这些条件往往诊断或治疗不足。在本文中,我们使用患者数据来预测其症状的演变,从而可以预防治疗相关的损伤或有意义地改善效果。这项研究的重点是预测患者诊断后的疼痛和疲劳程度。我们实现了一个可解释的决策树为基础的模型,称为LightGBM的真实世界的患者数据组成的20163例。在数据集中存在类不平衡问题,我们使用SMOTE的过采样技术来解决。我们的实证结果表明,以前的症状水平的值是一个关键指标的预测和预测的疼痛水平的加权平均偏差为3.52和疲劳水平为2.27。
2023-02-19 cs.LG
Predicting Patient Outcomes with Graph Representation Learning
University of Cambridge(剑桥大学);Samsung AI Center(三星人工智能中心);University of Oxford(牛津大学)
最近关于预测重症监护室(ICU)中患者结局的工作主要集中在生理时间序列数据上,在很大程度上忽略了诊断和药物治疗等稀疏数据。当它们被包括在内时,它们通常在模型的后期阶段被连接起来,这可能很难从罕见的疾病模式中学习。相反,我们提出了一种策略,通过在图中连接类似的患者来利用诊断作为关系信息。为此,我们提出了LSTM-GNN的病人结果预测任务:一个混合模型结合长短期记忆网络(LSTM)提取时间特征和图神经网络(GNNs)提取病人的邻域信息。我们证明了LSTM-GNN在eICU数据库上的住院时间预测任务上优于仅LSTM基线。更一般地说,我们的研究结果表明,利用图神经网络从相邻的病人病例的信息是一个很有前途的研究方向,产生有形回报的监督学习性能的电子健康记录。
2021-01-11 cs.LG
Predicting Survival of Hemodialysis Patients using Federated Learning
Chirec International School(奇雷克国际学校);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
针对血液透析患者生存预测中数据隔离导致本地模型性能不佳的问题,提出使用联邦学习在不共享数据的情况下提升预测性能,并在印度最大透析网络NephroPlus的数据上进行了验证。
2024-12-14 cs.AI cs.LG
Handling and Interpreting Missing Modalities in Patient Clinical Trajectories via Autoregressive Sequence Modeling
Brown University(布朗大学)
本文通过自回归序列建模方法处理医疗数据中缺失模态的问题,提出对比预训练目标并验证了其在MIMIC-IV和eICU数据集上的有效性,提升了模型可解释性。
2026-05-06 cs.AI cs.LG
Predicting Cancer Treatments Induced Cardiotoxicity of Breast Cancer Patients
University of Minnesota(明尼苏达大学)
乳腺癌治疗诱导的肿瘤毒性(即,化疗、靶向治疗和放射治疗)是乳腺癌患者的一个重要问题。接受不同治疗的乳腺癌患者的心脏毒性风险仍不清楚。我们使用EHR数据开发并评估了乳腺癌患者心脏毒性的风险预测模型。预测CHF、CAD、CM和MI的AUC评分分别为0.846、0.857、0.858和0.804。在调整心血管健康的基线差异后,接受化疗或靶向治疗的患者似乎比接受放疗的患者具有更高的心脏毒性风险。由于不同乳腺癌治疗组之间基线心脏健康的差异,建议谨慎解释这些治疗的心脏毒性作用。
2022-01-31 cs.LG stat.AP
A Deep Learning Approach to Predicting Ventilator Parameters for Mechanically Ventilated Septic Patients
Nankai University(南开大学);Sichuan Provincial People’s Hospital(四川省人民医院);University of Electronic Science and Technology of China(电子科技大学);Beijing Computational Science Research Center(北京计算科学研究中心);University of Glasgow(格拉斯哥大学);Tianjin Normal University(天津师范大学);University of South Carolina(南卡罗来纳大学)
我们开发了一种深度学习方法,使用长短期记忆(LSTM)递归神经网络(RNN)模型来预测机械通气脓毒症患者的一组呼吸机参数。我们专注于短期预测的一组呼吸机参数的脓毒症患者在急诊重症监护病房(EICU)。该模型的短期可预测性为主治医生提供了早期预警,以便及时调整EICU中患者的治疗。患者特定的深度学习模型可以在任何给定的重症患者上进行训练,使其成为医生在紧急医疗情况下使用的智能助手。
2022-02-21 cs.LG q-bio.QM
Development of a Machine Learning Model and Mobile Application to Aid in Predicting Dosage of Vitamin K Antagonists Among Indian Patients
National Institute of Technology Calicut(国家理工学院卡利卡特分校);Sree Chitra Tirunal Institute for Medical Sciences and Technology(斯里·奇特拉·蒂鲁纳尔医学科学与技术研究所)
接受机械心脏瓣膜置换术或患有房颤等疾病的患者必须服用维生素K拮抗剂(VKA)药物以防止血液凝固。这些药物具有狭窄的治疗范围,并且由于危及生命的副作用而需要非常密切地监测。VKA药物的剂量由医生根据通过血液检查获得的凝血酶原时间-国际标准化比值(PT-INR)值确定和修订。我们的工作旨在预测华法林的维持剂量,目前最广泛推荐的抗凝药物,使用从喀拉拉邦109例患者中收集的去识别的医疗数据。建立支持向量机(SVM)回归模型,以预测华法林的维持剂量,用于接受医生治疗并达到稳定INR值2.0至4.0的患者。
2020-04-19 cs.CY cs.LG q-bio.QM
Predicting COVID-19 Patient Shielding: A Comprehensive Study
University of Waikato(怀卡托大学)
机器学习和大数据分析可用于抗击COVID-19大流行病,包括预测、风险管理、诊断和预防。这项研究的重点是预测COVID-19患者屏蔽-识别和保护临床上极易受到冠状病毒感染的患者。本研究的重点是用于医学文本的多标签分类技术。利用英国NHS和世界卫生组织发布的信息,我们提出了一种新的方法来预测COVID-19患者屏蔽作为一个多标签分类问题。我们使用公开的、去识别的ICU医疗文本数据进行实验。这些标签来自已发布的COVID-19患者屏蔽数据。我们提出了一个广泛的比较12个多标签分类器从简单的二进制相关的神经网络和最新的Transformers。据我们所知,这是第一次全面的研究,在这样一个范围内的多标签分类器的医疗文本被认为是。我们强调了各种方法的好处,并认为,对于手头的任务,预测精度和处理时间都是必不可少的。
2021-10-01 cs.AI cs.LG
Transient-evoked otoacoustic emission signals predicting outcomes of acute sensorineural hearing loss in patients with Meniere's Disease
National Tsing Hua University(国立清华大学);Duke University(杜克大学);Cathay General Hospital(国泰综合医院);Fu Jen Catholic University(辅仁大学)
背景:波动性听力损失是梅尼埃病(MD)急性发作的特征。然而,没有可靠的听力标志可用于咨询听力恢复的可能性。目的:寻找预测MD听力结果的参数。材料和方法:我们应用机器学习技术来分析MD患者记录的瞬态诱发耳声发射(TEOAE)信号。在急性耳蜗前庭症状发作后前瞻性招募了30例单侧MD患者。纵向记录连续TEOAE和纯音听力图(PTA)数据。通过线性变换将去噪后的TEOAE信号投影到三个最显著的主方向上。使用支持向量机(SVM)进行二进制分类。TEOAE信号参数,包括信号能量和群延迟,采用Welchs t检验比较改良组和未改良组之间的差异。结果如下:信号能量没有差异(p = 0.64),但在1 kHz(p = 0.045)组延迟之间的显着差异记录改善和非改善组。SVM在预测听力结果方面实现了>80%的交叉验证准确度。结论及意义:这项研究表明,在急性MD发作期间获得的基线TEOAE参数,当通过机器学习技术处理时,可以提供有关外毛细胞功能的信息,以预测听力恢复。
2019-12-12 cs.LG eess.SP stat.ML
An Unsupervised Multivariate Time Series Kernel Approach for Identifying Patients with Surgical Site Infection from Blood Samples
UiT The Arctic University of Norway(挪威北极大学);Universidad Rey Juan Carlos(胡安·卡洛斯国王大学);University Hospital of North Norway (UNN)(挪威北部大学医院)
电子健康记录的很大一部分由随时间收集的临床测量结果组成,例如血液测试,其提供关于患者健康状况的重要信息。这些临床测量序列自然地表示为时间序列,其特征在于多个变量和缺失数据的存在,这使分析复杂化。在这项工作中,我们提出了一个手术部位感染检测框架,用于接受结肠直肠癌手术的患者,该框架完全不受监督,从而缓解了获取标记训练数据的问题。该框架基于多变量时间序列的强大内核,该内核在计算相似性时考虑了缺失数据。我们的方法表现出优越的性能相比,基线,必须诉诸插补技术,并执行监督分类基线。
2018-03-21 cs.LG stat.ML
M$^3$Care: Learning with Missing Modalities in Multimodal Healthcare Data
Peking University(北京大学);Tsinghua University(清华大学);Coventry University(考文垂大学)
多模态电子健康记录(EHR)数据在临床应用中得到广泛应用。传统的方法通常假设每个样本(患者)与统一的观察模态相关联,并且所有模态对于每个样本都可用。然而,由于各种临床和社会原因导致的模态缺失是现实世界临床场景中的常见问题。现有的方法大多依赖于求解生成模型,该生成模型学习从潜在空间到原始输入空间的映射,这是一个不稳定的不适定逆问题。为了缓解欠定系统,我们提出了一个解决直接问题的模型,称为多模式医疗数据中缺失模式的学习(M3Care)。M3Care是一种端到端模型,用于补偿缺失模态的患者的缺失信息,以进行临床分析。M3Care不是生成原始缺失数据,而是通过来自每个患者的相似邻居的辅助信息(由任务引导的模态自适应相似性度量测量)来估算潜在空间中缺失模态的任务相关信息,然后进行临床任务。任务引导的模态自适应相似性度量利用患者的未删失模态和具有相同未删失模态的其他患者来找到相似的患者。在真实世界数据集上的实验表明,M3Care的性能优于最先进的基线。此外,M3Care发现的结果与专家和医学知识一致,证明了提供有用见解和解释的能力和潜力。
2022-10-28 cs.AI cs.LG
Predicting the Long-Term Outcomes of Biologics in Psoriasis Patients Using Machine Learning
University of Alberta(阿尔伯塔大学);Bispebjerg Hospital(比斯珀比约医院);University of Copenhagen(哥本哈根大学);Alberta Machine Intelligence Institute (Amii)(阿尔伯塔机器智能研究所(Amii))
背景真实世界的数据显示,大约50%的银屑病患者用生物制剂治疗将停止药物,因为失去疗效。既往使用另一种生物制剂治疗史、女性和肥胖被确定为停药的预测因素,但其个体预测值较低。目标.确定机器学习算法是否可以生成能够准确预测个体患者水平上银屑病生物治疗结果的模型。结果所有测试的机器学习算法都可以准确预测停药的风险及其原因(例如缺乏疗效vs不良事件)。学习的广义线性模型实现了82%的诊断准确性,使用银屑病患者数据集,每个患者需要不到2秒。输入优化分析建立了具有最佳长期治疗成功机会的患者的特征:49岁以下的生物制剂初治患者、不伴银屑病关节炎的早发斑块状银屑病、体重< 100 kg和中度至重度银屑病活动(DLQI $\geq$ 16; PASI $\geq$ 10)。此外,使用不同的广义线性模型预测每例患者的治疗时间,平均绝对误差(MAE)为4.5个月。然而,Pearson相关系数表明实际处理长度与预测长度之间的线性相关性为0.935。结论.机器学习算法基于一小部分预测变量预测停药风险和治疗持续时间,准确率超过80%。这种方法可以用作决策工具,向患者传达预期结果,并制定循证指南。
2019-08-25 cs.LG q-bio.QM stat.ML
Longitudinal Missing Data Imputation for Predicting Disability Stage of Patients with Multiple Sclerosis
University of Pavia(帕维亚大学);IRCCS Mondino Foundation(IRCCS蒙迪诺基金会)
本研究针对多发性硬化症纵向数据中缺失的EDSS子评分,探索多种插补方法并预测EDSS评分,发现指数加权移动平均插补误差最低,结合分类回归树插补与支持向量机预测效果最佳。
2025-01-22 cs.LG
Multi-task longitudinal forecasting with missing values on Alzheimer's Disease
Universidad Carlos III de Madrid(马德里卡洛斯三世大学);University of Eastern Finland(东芬兰大学)
通常应用于痴呆预测的机器学习技术缺乏联合学习多个任务、处理时间依赖的异构数据和缺失值的能力。在本文中,我们提出了一个框架,使用最近提出的SHIBA模型,共同学习不同的任务上的纵向数据缺失值。该方法使用贝叶斯变分推断来填补缺失值,并结合多个视图的信息。通过这种方式,我们可以将来自不同时间点的不同数据视图组合在一个公共的潜在空间中,并学习每个时间点之间的关系,同时对多个输出变量进行建模和预测。我们应用这个模型来预测痴呆症的诊断,脑室容积和临床评分。结果表明,SSHIBA能够学习一个很好的填补缺失值和优于基线,同时预测三个不同的任务。
2022-01-13 cs.LG stat.ML
PRISM: Mitigating EHR Data Sparsity via Learning from Missing Feature Calibrated Prototype Patient Representations
Beihang University(北京航空航天大学);Peking University(北京大学);Tsinghua University(清华大学);ETH Zürich(苏黎世联邦理工学院);Zhongguancun Laboratory(中关村实验室)
PRISM通过原型表征间接插补数据,并引入特征置信度学习器和新的相似度度量,在多个EHR数据集上有效预测院内死亡率和30天再入院,缓解数据稀疏性。
2025-02-26 cs.AI cs.LG
Predicting Acute Kidney Injury at Hospital Re-entry Using High-dimensional Electronic Health Record Data
University of Rochester Medical Center(罗切斯特大学医学中心);University of Rochester(罗切斯特大学);Goergen Institute for Data Science(戈尔根数据科学研究所)
急性肾损伤(AKI)是肾功能的突然下降,与死亡率、发病率、住院时间和住院费用增加相关。由于AKI有时是可以预防的,因此对预测有很大的兴趣。大多数现有的研究考虑了所有患者,因此仅限于住院最初几个小时内可用的功能。在这里,重点是再次住院的患者,在其中可以分析来自先前住院的丰富纵向特征的队列。我们的目标是在再次入院时直接提供风险评分。梯度提升、惩罚逻辑回归(有和没有稳定性选择)和递归神经网络在两年的成人住院EHR数据(34,505名患者的3,387个属性,生成90,013个训练样本,5,618例病例和84,395例对照)上进行训练。通过50次迭代的5重分组交叉验证对预测进行内部评估,特别强调校准,在患者和住院水平上进行分析。对诊断、种族、年龄、性别、AKI识别方法和医院利用方面的错误进行评估。在另一个实验中,正则化惩罚严重增加,以诱导简约性和可解释性。再次住院患者的预测因素也被报告,并对可能是可改变的风险因素的药物进行了特殊分析。本研究的见解可用于构建再住院患者AKI的预测工具。在入院时对AKI风险的准确估计可以作为入院提供者或另一种预测算法的先验。
2018-08-13 cs.LG stat.ML
ActSafe: Predicting Violations of Medical Temporal Constraints for Medication Adherence
Dartmouth(达特茅斯学院)
处方药通常对患者的常规健康行为(RHB)施加时间约束,例如,在服药前吃东西。违反这种医疗时间限制(MTC)可能会导致不良影响。在发生之前检测和预测这种违规行为可以帮助提醒患者。我们制定了MTCs建模的问题,并开发了一个概念验证的解决方案,ActSafe,以及提前预测违反MTCs。ActSafe利用基于上下文无关文法的方法从患者教育材料中提取和映射MTC。它还解决了准确预测对MTC至关重要的RHB的挑战(例如,药物摄入)。我们的新的行为预测模型,HERBERT,利用一个基础向量化的时间序列,是概括跨时间尺度和持续时间的行为,明确捕捉时间搭配的行为之间的依赖关系。基于使用从28名患者在非受控环境中收集的真实世界RHB数据集进行的评估,HERBERT优于基线模型,均方根误差平均降低51%。根据对慢性病患者的评估,ActSafe可以提前一天预测MTC违规,平均F1评分为0.86。
2023-01-17 cs.LG
A machine learning framework for interpretable predictions in patient pathways: The case of predicting ICU admission for patients with symptoms of sepsis
Technische Hochschule Nürnberg Georg Simon Ohm(纽伦堡乔治·西蒙·欧姆应用技术大学);Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学);University of Regensburg(雷根斯堡大学);Leipzig University(莱比锡大学)
本文提出PatWay-Net框架,结合新型循环神经网络与多层感知机,对脓毒症症状患者ICU入院进行可解释预测,性能优于传统模型,并通过仪表盘和临床访谈验证其临床实用性。
2024-05-21 cs.LG
An early warning tool for predicting mortality risk of COVID-19 patients using machine learning
Qatar University(卡塔尔大学);University of Dhaka(达卡大学);College of Medicine, QU Health, Qatar University(卡塔尔大学QU Health医学院);Universiti Kebangsaan Malaysia(马来西亚国民大学)
COVID-19疫情对全球医疗服务造成极大压力。对疾病严重程度进行快速、可靠和早期的临床评估有助于分配和优先利用资源,以降低死亡率。为了研究预测疾病死亡率的重要血液生物标志物,对2020年1月10日至2月18日在同济医院(中国)住院的375名COVID-19阳性患者进行了回顾性研究。使用机器学习工具研究人口统计学和临床特征以及患者结局,以确定关键生物标志物来预测个体患者的死亡率。开发了一个诺模图来预测COVID-19患者的死亡风险。多树XGBoost模型将乳酸脱氢酶、中性粒细胞(%)、淋巴细胞(%)、高敏C反应蛋白和入院时获得的年龄确定为死亡的关键预测因子。推导和验证队列的列线图的曲线下面积(AUC)分别为0.961和0.991。综合评分(LNLCA)与相应的死亡概率计算。COVID-19患者被分为三个亚组:低风险组、中风险组和高风险组,使用LNLCA临界值10.4和12.65,死亡概率分别小于5%、5%至50%和50%以上。预后模型、列线图和LNLCA评分有助于早期发现COVID-19患者的高死亡风险,这将有助于医生改善患者分层管理。
2020-07-29 cs.LG q-bio.QM
Missing-Modality-Aware Graph Neural Network for Cancer Classification
School of Computer Science, University of Sheffield(谢菲尔德大学计算机科学学院)
本文提出MAGNET模型,通过动态患者-模态多头注意力机制融合低维模态嵌入,以提升部分模态下的多模态预测性能,实验表明其在癌症分类任务中优于现有方法。
2026-05-15 cs.AI cs.LG q-bio.BM
CODE-AE: A Coherent De-confounding Autoencoder for Predicting Patient-Specific Drug Response From Cell Line Transcriptomics
Graduate Center, City University of New York(纽约城市大学研究生中心);Feil Family Brain & Mind Research Institute, Weill Cornell Medicine, Cornell University(康奈尔大学威尔康奈尔医学院菲尔家族脑与心智研究所);Hunter College, City University of New York(纽约城市大学亨特学院)
准确和稳健地预测患者对药物治疗的反应对于发展精准医学至关重要。然而,通常难以直接从患者获得足够量的连贯药物反应数据以用于训练广义机器学习模型。虽然利用丰富的细胞系数据提供了一种替代解决方案,但由于各种混杂因素,将从细胞系获得的知识转移给患者是具有挑战性的。很少有现有的迁移学习方法可以可靠地将常见的内在生物信号与细胞系和患者数据中的混杂因素分开。在本文中,我们开发了一种相干去混淆自动编码器(CODE-AE),它可以提取由不相干样本共享的共同生物信号和每个数据集独有的私有表示,将从细胞系数据学到的知识转移到组织数据,并从中分离混淆因素。对多个数据集的广泛研究表明,CODE-AE在预测患者药物反应和去混淆生物信号方面都显著提高了最先进方法的准确性和鲁棒性。因此,CODE-AE提供了一个有用的框架,利用体外组学数据开发广义患者预测模型。源代码可在https://github.com/XieResearchGroup/CODE-AE上获得。
2021-01-31 cs.LG q-bio.GN
Predicting Survival of Tongue Cancer Patients by Machine Learning Models
Loyola University Chicago(芝加哥洛约拉大学)
舌癌是一种常见的口腔恶性肿瘤,起源于口腔和咽喉。在改善其诊断、治疗和管理方面投入了大量努力。手术切除、化疗和放射治疗仍然是舌癌的主要治疗方法。患者的生存期决定了治疗效果。以往的研究基于描述性统计确定了某些生存和风险因素,忽略了临床和人口统计学变量之间复杂的非线性关系。在这项研究中,我们利用五种尖端的机器学习模型和临床数据来预测舌癌患者治疗后的生存率。五折交叉验证,自助分析,和排列特征的重要性,估计和解释模型的性能。我们的方法确定的预后因素与以前的临床研究是一致的。我们的方法是准确的,可解释的,因此可用作舌癌治疗和管理的额外证据。
2022-12-23 cs.LG q-bio.QM
Patient-centered data science: an integrative framework for evaluating and predicting clinical outcomes in the digital health era
McGill University Health Center Research Institute(麦吉尔大学健康中心研究所)
本研究提出数字健康时代以患者为中心的数据科学整合框架,结合多类数据构建数字患者表征,采用多智能体AI方法优化患者结局,助力构建学习型医疗系统,提升数字健康创新的临床转化效果。
2026-08-05 cs.AI cs.CY cs.LG
Do not forget interaction: Predicting fatality of COVID-19 patients using logistic regression
University of Michigan(密歇根大学);Fudan University(复旦大学);Shenzhen University(深圳大学)
在持续的COVID-19大流行中,高风险的COVID-19患者能否康复,在很大程度上取决于他们在病毒对患者造成不可逆转的后果之前能够尽早得到适当的治疗。在这项研究中,我们报告了一个基于逻辑斯谛回归的可解释、直观和准确的机器学习模型,仅使用三种重要的血液生物标志物,包括乳酸脱氢酶、淋巴细胞(%)和高敏C反应蛋白及其相互作用来预测COVID-19患者的病死率。我们发现,当逻辑斯谛回归模型产生的死亡概率大于0.8时,该模型具有最佳性能,因为它能够预测平均超过11.30天的患者死亡,最大提前34.91天,累积f1得分为93.76%,累积准确率得分为93.92%。该模型可用于识别具有三种血液生物标志物的高风险COVID-19患者,并帮助世界各地的医疗系统在此大流行期间规划关键的医疗资源。
2020-06-30 cs.LG stat.AP
Predicting Risk-of-Readmission for Congestive Heart Failure Patients: A Multi-Layer Approach
University of Washington Tacoma(塔科马华盛顿大学);Ghent University(根特大学);Multicare Health System(多凯尔医疗系统)
降低充血性心力衰竭(CHF)患者在出院后30天内再入院的风险非常重要,因为这种再入院不仅费用昂贵,而且是提供者护理和治疗质量的关键指标。准确预测再入院的风险可以使医院识别高风险患者,并最终通过识别在许多情况下导致这种再入院的因素来提高护理质量。在本文中,我们研究的问题,预测风险的再入院作为一个监督学习问题,使用多层分类方法。与我们的方法相反,早期的文献没有充分地试图通过建立直接预测模型来评估30天再入院的风险值。我们首先将问题分为不同的阶段,(a)一般风险(b)60天内的风险(c)30天内的风险,然后为每个阶段构建合适的分类器,从而提高使用多层决策准确预测风险的能力。我们的方法的优点是,我们可以使用不同的分类模型的子任务,更适合各自的问题。此外,与一次性单层方法相比,可以使用不同的特征和训练数据来解决每个子任务,从而导致高度自信的诊断或风险。对Multicare Health Systems的实际医院患者记录数据的实验评估表明,与之前的尝试相比,我们的模型在预测CHF患者出院后30天内的再入院风险方面明显更好。
2013-06-10 cs.LG stat.AP
Predicting 30-Day Hospital Readmission in Medicare Patients: Insights from an LSTM Deep Learning Model
Georgia Institute of Technology(佐治亚理工学院);University of Miami(迈阿密大学);University of California(加利福尼亚大学);Boston University(波士顿大学);University of Pennsylvania(宾夕法尼亚大学)
本研究利用LSTM网络结合特征工程分析Medicare患者再入院,在MIMIC数据集上优于逻辑回归基线,并识别出Charlson合并症指数、住院时长和近6个月住院次数等关键预测特征,为临床早期干预提供更有效的预测方法。
2024-10-23 cs.LG
Predicting Medical Interventions from Vital Parameters: Towards a Decision Support System for Remote Patient Monitoring
Hasso Plattner Institute, University of Potsdam(波茨坦大学哈索·普拉特纳研究所);Charité – Universitätsmedizin Berlin(柏林夏里特医学院)
心血管疾病和心力衰竭是世界上非传染性疾病死亡的主要原因。持续的患者监测可以实现更好的医疗,因为它允许从业人员及时做出反应并提供适当的治疗。远程医疗可以提供持续的远程监测,因此患者可以留在家中,只需要医疗传感设备和网络连接。远程医疗中心的一个限制因素是可以同时监测的患者数量。我们的目标是通过实施决策支持系统来增加这一数额。本文研究了一种机器学习模型,用于根据患者的生命参数估计风险评分,该模型允许每天对所有病例进行分类,以帮助从业者将其有限的能力集中在最严重的病例上。我们提出的模型达到了0.84的AUCROC,而基于规则的基线模型达到了0.73的AUCROC。我们的研究结果表明,使用深度学习来提高远程医疗中心的效率是可行的。通过这种方式,更多的患者可以通过远程监控从更好的医疗保健中受益。
2021-04-20 cs.AI cs.LG
An ensemble of machine learning and anti-learning methods for predicting tumour patient survival rates
Horizon Digital Economy Research(地平线数字经济研究院);University of Nottingham Malaysia Campus(诺丁汉大学马来西亚校区)
本文主要讨论了一个数据集有关的细胞,化学和物理条件的病人收集时,他们被手术切除结直肠肿瘤。这些数据提供了一个独特的洞察病人的生化和免疫学状态的肿瘤切除点随着有关肿瘤分类和术后生存的信息。对于TNM 2期和3期肿瘤患者,基于TNM分期的肿瘤严重程度与生存率之间的关系尚不清楚。我们询问是否有可能使用应用于数据子集的机器学习技术的选择来更准确地预测生存率,以更深入地了解患者的生化标志物与生存之间的关系。我们使用一系列特征选择和单一分类技术来预测TNM 2期和3期患者的5年生存率,最初产生的结果不太理想。然后将每个模型的性能单独与多个模型达成一致的数据子集进行比较。这种新的选择性集成方法表明,对于模型之间达成一致的患者,可以在看不见的测试集上显著提高模型准确性。最后,我们指出了一种可能的方法来确定是否可以准确地预测患者的预后。
2016-07-21 cs.LG
A Probabilistic Disease Progression Model for Predicting Future Clinical Outcome
Cornell(康奈尔大学);Electrical and Computer Eng, Cornell(康奈尔大学电气与计算机工程学院)
在这项工作中,我们考虑的问题,预测的过程中进行性疾病,如癌症或阿尔茨海默氏症。进展性疾病通常始于可能在诊断之前的轻微症状,每个患者都遵循自己的轨迹。患者轨迹表现出野生变异性,这可能与许多因素,如基因型,年龄或性别。另一层复杂性是,在现实生活中,每个患者可用的数据量和类型可能会有很大差异。例如,对于一名患者,我们可能没有既往病史,而对于另一名患者,我们可能在多个既往时间点获得了详细的临床评估。本文提出了一种概率模型,可以处理多种模式(包括图像和临床评估)和不规则时间和缺失条目的可变患者历史,以预测未来时间点的临床评分。我们使用S形函数来模拟潜在的疾病进展,这在我们的生成模型中引起了临床观察。我们实施了一个近似贝叶斯推理策略,建议的模型,以估计参数的数据从一个大的受试者群体。此外,贝叶斯框架使模型能够根据测试对象可能获得的历史观察结果自动微调其预测。我们将我们的方法应用于具有超过3000名受试者的纵向阿尔茨海默病数据集[23],并对不同场景下的预测性能进行了详细的实证分析,并与几个基准进行了比较。我们还演示了如何可以询问所提出的模型,以收集有关阿尔茨海默病的时间动态的见解。
2018-03-13 cs.CV cs.LG stat.ML
Predicting Patient Recovery or Mortality Using Deep Neural Decision Tree and Forest
University of Tehran(德黑兰大学);Tehran University of Medical Sciences(德黑兰医科大学);Isfahan University of Medical Sciences(伊斯法罕医科大学);Mashhad University of Medical Sciences(马什哈德医科大学)
本研究面向COVID-19患者死亡风险预测,比较九种机器学习与深度学习模型,发现深度神经决策森林仅凭临床数据即可达到80%准确率且表现最佳。
2025-10-20 cs.CV cs.LG eess.IV
Similarity-Based Self-Construct Graph Model for Predicting Patient Criticalness Using Graph Neural Networks and EHR Data
National Institute of Technology Silchar, Assam, India(印度西里char国家理工学院)
针对传统模型孤立处理患者、难以挖掘EHR关系结构的问题,提出基于相似性的自构建图模型与混合GNN架构,在MIMIC-III数据集上取得最优预测性能,且具备可解释性,可为ICU风险预测提供支持。
2025-08-01 cs.AI cs.LG
Predicting Mortality and Functional Status Scores of Traumatic Brain Injury Patients using Supervised Machine Learning
Villanova University(维拉诺瓦大学);Unionville High School(尤宁维尔高中);Thomas Jefferson University(托马斯·杰斐逊大学)
本文基于300名儿科TBI患者数据,比较多种监督式机器学习模型预测死亡率与FSS评分,并通过特征选择提升效率和可解释性。
2024-10-27 cs.LG
A feasibility study for predicting optimal radiation therapy dose distributions of prostate cancer patients from patient anatomy using deep learning
University of Texas Southwestern Medical Center(德克萨斯大学西南医学中心)
随着癌症患者放射治疗中治疗方式的进步,结果得到了改善,但代价是增加了治疗计划的复杂性和计划时间。剂量分布的准确预测将通过指导临床计划优化来缓解这个问题,以节省时间并保持高质量的计划。我们修改了卷积深度网络模型U-net(最初设计用于分割目的),用于从计划靶体积(PTV)和危险器官(OAR)的患者图像轮廓预测剂量。我们表明,作为一个例子,我们能够准确地预测前列腺癌患者的调强放射治疗(IMRT)的剂量,其中平均骰子相似系数为0.91时,比较预测与真实的等剂量体积之间的处方剂量的0%和100%。发现[最大,平均]剂量的绝对差异的平均值低于处方剂量的5%,具体而言,各结构为[1.80%,1.03%](PTV)、[1.94%,4.22%](膀胱)、[1.80%,0.48%](身体)、[3.87%,1.79%](左侧股骨头)、[5.07%,2.55%](右侧股骨头)和[1.26%,1.62%](直肠)处方剂量。因此,我们设法从患者的PTV和OAR轮廓映射所需的辐射剂量分布。作为一个额外的优点,相对较少的数据被用于本文所述的技术和模型。
2018-11-29 cs.AI cs.CV cs.LG
Extracting Structured Data from Physician-Patient Conversations By Predicting Noteworthy Utterances
Carnegie Mellon University(卡内基梅隆大学);Abridge AI Inc(Abridge AI公司)
尽管有各种各样的努力来挖掘各种形式的医疗数据,但医生和患者在护理时的对话仍然是一个未开发的见解来源。在本文中,我们利用这些数据来提取结构化信息,这些信息可能有助于医生在电子健康记录中进行访视后记录,从而可能减轻文书工作的负担。在这项探索性研究中,我们描述了一个新的数据集,包括对话成绩单,访问后的总结,相应的支持证据(在成绩单),和结构化的标签。我们专注于在器官系统(RoS)审查中识别相关诊断和异常的任务。一个方法上的挑战是对话很长(大约1500个单词),这使得现代深度学习模型很难将它们用作输入。为了解决这个问题,我们提取值得注意的话语-对话中可能被引用作为支持某个摘要句子的证据的部分。我们发现,通过首先过滤(预测)值得注意的话语,我们可以显着提高识别诊断和RoS异常的预测性能。
2020-07-14 cs.AI cs.CL cs.LG
Machine learning for dynamically predicting the onset of renal replacement therapy in chronic kidney disease patients using claims data
Google Research(谷歌研究院)
慢性肾脏疾病(CKD)是一种缓慢进展的疾病,最终可能需要肾脏替代治疗(RRT),包括透析或肾移植。早期识别需要RRT的患者(最多提前1年)可改善患者结局,例如通过允许更高质量的血管通路进行透析。因此,护理团队及早认识到RRT的必要性是成功管理疾病的关键。遗憾的是,目前尚无常用的RRT启动预测工具。在这项工作中,我们提出了一个机器学习模型,动态识别CKD患者的风险,需要RRT提前一年只使用索赔数据。为了评估该模型,我们研究了大约300万名医疗保险受益人,并对其进行了800多万次预测。我们表明,该模型可以识别风险患者,灵敏度和特异性超过90%。虽然在这种方法准备用于临床之前还需要做更多的工作,但这项研究为筛选工具提供了基础,可以在一个时间窗内识别有风险的患者,从而实现旨在改善RRT结局的早期积极干预。
2022-09-03 cs.AI cs.LG
Kernel-Based Learning of Chest X-ray Images for Predicting ICU Escalation among COVID-19 Patients
University of Michigan(密歇根大学);Department of Biostatistics(生物统计学系)
本文提出GLIMARK方法,通过多核学习扩展以处理指数族输出变量,用于预测新冠患者ICU升级并提取临床特征。
2026-02-10 cs.LG stat.AP stat.ML
Predicting Outcomes in Long COVID Patients with Spatiotemporal Attention
University of Pittsburgh(匹兹堡大学);Genentech, Inc.(基因泰克公司)
本文针对长新冠患者异质性表型导致结局预测困难的问题,提出联合时空注意力机制与 Local-LSTM 相结合的纵向数据建模方法,并在真实临床数据集上验证其优于现有方法,可用于长新冠严重程度评估。
2023-07-07 cs.LG