Dementia-R1: Reinforced Pretraining and Reasoning from Unstructured Clinical Notes for Real-World Dementia Prognosis
Graduate School of AI, KAIST, Republic of Korea(韩国科学技术院人工智能研究生院);Haeundae Paik Hospital, Inje University, Republic of Korea(韩国延世大学海云台医院);Asan Medical Center, University of Ulsan College of Medicine, Republic of Korea(韩国釜山大学医学院阿桑医院)
本文提出Dementia-R1框架,通过强化学习解决长期痴呆症预后预测问题,通过预训练提升疾病进展推理能力,在真实世界数据集上达到84.02%的AUROC,优于现有模型。
2026-10-26 cs.AI cs.CL cs.LG
Harnessing the Power of BERT in the Turkish Clinical Domain: Pretraining Approaches for Limited Data Scenarios
Ege University(埃格大学)
本研究探索多种预训练方法对土耳其语临床语言模型在放射学报告多标签分类任务中的影响,发现结合通用领域知识与任务特定微调(如BERTurk和TurkRadBERT-task v1)性能最佳,并首次评估了同时预训练方法。
2023-05-05 cs.CL
NoteChat: A Dataset of Synthetic Doctor-Patient Conversations Conditioned on Clinical Notes
University of Massachusetts(马萨诸塞大学);University of Minnesota(明尼苏达大学);Microsoft(微软公司);University of Edinburgh(爱丁堡大学);University of Massachusetts, Lowell(马萨诸塞大学洛厄尔分校)
提出协作多智能体框架NoteChat,利用LLMs通过结构化角色扮演生成合成医患对话,实验证明其生成的对话质量显著优于ChatGPT和GPT-4等模型,并能有效辅助临床文档记录。
2024-06-28 cs.CL
Synthetic Patient-Physician Dialogue Generation from Clinical Notes Using LLM
针对医疗对话系统训练数据受隐私限制难以获取的问题,提出SynDial方法,通过带反馈循环的大语言模型零样本迭代从临床病历生成合成医患对话,在事实性上优于基线且多样性与GPT-4相当。
2024-08-12 cs.AI cs.CL cs.LG
sEHR-CE: Language modelling of structured EHR data for efficient and generalizable patient cohort expansion
BenevolentAI(BenevolentAI(仁慈人工智能公司))
电子健康记录(EHR)为深入的临床表型分析和临床结果预测提供了前所未有的机会。综合多种数据来源对于全面了解疾病流行率、发病率和发展轨迹至关重要。结合临床数据的标准方法涉及使用策划地图在不同术语系统中整理临床术语,这些地图通常不准确和/或不完整。在这里,我们提出了sEHR-CE,一个新的框架,基于Transformers,使集成的表型和异构临床数据集的分析,而不依赖于这些映射。我们使用文本描述符的概念统一临床术语,并表示个人的EHR作为文本的部分。然后,我们微调预训练的语言模型,以比非文本和单一术语方法更准确地预测疾病表型。我们使用英国生物银行(一项大规模研究)的初级和二级医疗数据验证了我们的方法。最后,我们在一个2型糖尿病使用案例中说明了sEHR-CE如何识别与患者具有相同临床特征的未诊断个体。
2022-11-30 cs.CL cs.LG stat.AP
A French OSCE Dialogue Dataset and Controllable Virtual Patient System for Clinical Training
Lorraine Université, CNRS, Inria, LORIA(洛林大学、法国国家科学研究中心、法国国家信息与自动化研究所、LORIA实验室);Avignon Université, LIA, UPR 4128(阿维尼昂大学、LIA、UPR 4128)
为解决医学培训中标准化病人稀缺问题,构建法语OSCE对话数据集,并提出基于LLM的可控虚拟患者生成管道,通过检索增强和反思循环提升真实性与一致性,实验表明可控性模块改善患者保真度和学生评估一致性。
2026-06-26 cs.CL cs.HC
Multi-Stage Patient Role-Playing Framework for Realistic Clinical Interactions
College of Computer Science and Technology, Key Laboratory of Symbolic Computation and Knowledge Engineering, Ministry of Education, Jilin University(计算机科学与技术学院、符号计算与知识工程重点实验室、教育部、吉林大学);College of Software, Jilin University(软件学院、吉林大学);Gastrointestinal Endoscopy Center, The First Hospital of Jilin University(吉林大学第一医院消化内窥镜中心)
本文提出无需训练的多阶段患者角色扮演框架,通过分解互动为三个阶段,提升模型在模拟患者行为时的个性化和真实性。
2026-01-16 cs.AI cs.CL
Leveraging Large Language Model as Simulated Patients for Clinical Education
Wangxuan Institute of Computer Technology, Peking University(北京大学王选计算机研究所);School of Computer Science, Wuhan University(武汉大学计算机学院);CureFun Co.(CureFun公司)
针对传统模拟病人成本高、风险大等问题,本文提出基于大语言模型的CureFun框架,通过自然对话、评估和建议提升学生临床问诊技能,并验证了其在模拟病人场景中的优越表现及在评估医疗LLM诊断能力方面的潜力。
2024-04-25 cs.AI cs.CL
Zero-Shot Clinical Trial Patient Matching with LLMs
Stanford University(斯坦福大学)
针对临床试验患者人工匹配效率低的问题,提出基于LLM的零样本匹配系统,在n2c2 2018基准上达SOTA,通过提示策略和两阶段流水线降本提效,且具备高可解释性,验证了LLM加速临床试验运营的可行性。
2024-04-10 cs.AI cs.CL
Impact of Large Language Model Assistance on Patients Reading Clinical Notes: A Mixed-Methods Study
Massachusetts Institute of Technology(麻省理工学院);University of Michigan(密歇根大学);Beth Israel Deaconess Medical Center(贝斯以色列女执事医疗中心);Massachusetts General Hospital(麻省总医院);Microsoft Research(微软研究院);Mayo Clinic(梅奥诊所)
本研究开发了一款基于LLM的患者端工具,通过简化、提取信息和添加上下文来提升临床笔记可读性,实验表明该工具显著提高了患者对后续行动的定量理解得分,但也引发了对AI的担忧。
2024-10-14 cs.AI cs.CL cs.HC
Improving Clinical Note Generation from Complex Doctor-Patient Conversation
Université de Montréal & Mila - Quebec AI(蒙特利尔大学及魁北克AI实验室)
该研究针对临床笔记手动撰写耗时的问题,推出CliniKnote数据集,提出带关键词的K-SOAP笔记格式,并开发自动化生成流水线,相较标准LLM微调方法显著提升了效率与性能。
2025-06-16 cs.AI cs.CL
TalkDep: Clinically Grounded LLM Personas for Conversation-Centric Depression Screening
University of Sheffield(谢菲尔德大学);University of A Coruña(阿罗纳大学)
针对抑郁症诊断训练数据不足,提出临床医生参与的LLM患者模拟流水线TalkDep,生成符合诊断标准的多样化症状,经临床验证以提升自动诊断系统的鲁棒性。
2025-08-06 cs.AI cs.CL
DIRI: Adversarial Patient Reidentification with Large Language Models for Evaluating Clinical Text Anonymization
Cornell Tech(康奈尔科技学院);Weill Cornell Medicine(威尔康奈尔医学院)
本文提出DIRI方法,利用大型语言模型对经去标识化的临床记录进行对抗性患者再识别,发现即使最佳工具ClinicalBERT处理后仍有9%的记录可被再识别,揭示了现有匿名化技术的不足。
2024-10-22 cs.CL
Patient-Similarity Cohort Reasoning in Clinical Text-to-SQL
University of Washington(华盛顿大学);Yale University(耶鲁大学)
CLINSQL基准测试集通过多表连接、临床意义过滤和多步骤查询,推动临床可靠的文本到SQL系统发展。
2026-01-14 cs.CL
PRISM: Patient Records Interpretation for Semantic Clinical Trial Matching using Large Language Models
Triomics Research(Triomics研究院);Medical College of Wisconsin(威斯康星医学院);Icahn School of Medicine at Mount Sinai(西奈山伊坎医学院);Cancer Informatics For Cancer Centers(癌症中心癌症信息学机构);University of Pittsburgh(匹兹堡大学)
本研究提出使用真实世界EHRs进行临床试验匹配的端到端大规模评估,展示了定制微调模型OncoLLM在规模较小的情况下优于GPT-3.5并匹配合格医生表现的能力。
2024-04-27 cs.AI cs.CL
Evaluating Large Language Models in Dynamic Clinical Decision-Making with Standardized Patient Cases
Shanghai Jiao Tong University(上海交通大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
本文提出MedSP1000基准,通过标准化病人案例模拟动态临床交互,评估LLM在信息收集、治疗计划和长期管理中的表现,发现当前模型在过程级评估中远未达到临床安全标准。
2026-06-03 cs.CL
Recommending Clinical Trials for Online Patient Cases using Artificial Intelligence
National Library of Medicine, National Institutes of Health(美国国立卫生研究院国家医学图书馆);National Cancer Institute, National Institutes of Health(美国国立卫生研究院国家癌症研究所)
本研究利用基于LLM的TrialGPT框架将50个在线患者病例与临床试验匹配,发现其识别合格试验的性能比传统关键词搜索高46%,并获得了病例作者和试验组织者的积极反馈。
2025-04-15 cs.AI cs.CL cs.IR
Extracting Medication Changes in Clinical Narratives using Pre-trained Language Models
George Mason University(乔治梅森大学);IBM T.J. Watson Research Center(IBM托马斯·J·沃森研究中心);University of Washington(华盛顿大学)
本研究针对临床文本中药物变更信息自动提取问题,利用CMED数据集,提出三种基于BERT的新型系统,实现了优于初始研究的药物变更分类性能。
2023-01-12 cs.CL
Patient-Centered Summarization Framework for AI Clinical Summarization: A Mixed-Methods Design
Mayo Clinic(梅奥诊所);University Hospitals Plymouth NHS Trust(普利茅斯大学医院NHS信托);University of Plymouth(普利茅斯大学);University of Edinburgh(爱丁堡大学)
本文提出以患者为中心的临床摘要(PCS)框架,通过混合方法制定标注指南并评估五个开源LLMs在零样本和少样本提示下的生成效果,发现模型在完整性和流畅性上接近专家,但在正确性和患者中心度上仍有不足。
2025-10-31 cs.CL
PSI-Bench: Interpretable and Clinically Meaningful Evaluation of Depression Patient Simulators
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);VinUniversity(文大学)
本文提出PSI-Bench框架,用于评估抑郁症患者模拟器的行为,发现现有模拟器存在响应过长、情绪处理不充分等问题,且框架对仿真质量影响大于模型规模。
2026-10-06 cs.AI cs.CL
Cardiologent: Multi-Agent Clinical Decision Support for Patient-Level Arrhythmia Assessment, Urgency, and Management
研究针对患者级心律失常决策支持问题,提出多智能体系统Cardiologent,每个信号对应智能体基于测量特征读取数据,整合为心律概况并对照指南推理,经评估在多方面表现最佳,使决策可审核,向连续监测迈进。
2026-07-29 cs.AI cs.CL
Temporal Entailment Pretraining for Clinical Language Models over EHR Data
本文提出面向EHR数据的时序蕴含预训练目标,将EHR片段构建为时序句子对以训练模型进行潜在临床推理,在时序临床问答、早期预警预测和疾病进展建模任务上取得最优结果。
2025-04-25 cs.CL cs.LG
Federated pretraining and fine tuning of BERT using clinical notes from multiple silos
Boston Children’s Hospital(波士顿儿童医院);Harvard Medical School(哈佛医学院)
近年来,大规模上下文表示模型,如BERT,极大地促进了自然语言处理(NLP)。然而,在医疗保健等特定领域,由于隐私和监管原因,从多个机构访问各种大规模文本数据极具挑战性。在这篇文章中,我们展示了可以使用来自不同孤岛的临床文本以联邦方式预训练和微调BERT模型,而无需移动数据。
2020-02-20 cs.CL cs.LG
Clinical Text Deduplication Practices for Efficient Pretraining and Improved Clinical Tasks
Icahn School of Medicine at Mount Sinai(西奈山伊坎医学院)
该研究针对临床文本高冗余的问题,基于真实临床语料库细粒度分析重复来源,证明文本去重可提升临床语言模型预训练效率且不影响提示学习的分类任务效果。
2023-09-29 cs.AI cs.CL cs.LG
Pretraining EHR Foundation Models with Patient-Aware Sampling
研究针对电子健康记录自回归基础模型预训练方法存在的问题,提出患者采样方法,通过控制训练信号分布来构建序列,实验表明该方法在真实EHR数据上提升了性能,凸显训练和验证序列构建对相关模型的重要性。
2026-07-27 cs.LG
LEARNER: Contrastive Pretraining for Learning Fine-Grained Patient Progression from Coarse Inter-Patient Labels
Carnegie Mellon University(卡内基梅隆大学);LSUHSC Internal Medicine(LSUHSC内科);Cosmetic Surgery Facility LLC(美容外科诊所有限公司)
LEARNER通过对比学习利用患者间粗粒度标签,学习细粒度患者内变化,提升个性化医学中的治疗响应预测性能。
2025-11-19 cs.AI cs.CV cs.LG
Clinically Meaningful Comparisons Over Time: An Approach to Measuring Patient Similarity based on Subsequence Alignment
University of Michigan, Ann Arbor(密歇根大学,安娜堡)
纵向患者数据有可能改善疾病的临床风险分层模型。然而,随着时间的推移进展缓慢的慢性疾病往往是异质性的,在他们的临床表现。患者可能会以不同的速度经历疾病阶段。这导致随着时间的推移病理生理学不一致,使得难以以具有临床意义的方式一致地比较患者。此外,患者在疾病的不同阶段首次出现临床症状。这消除了基于患者的初始表现简单地对齐患者的可能性。最后,由于时间表或错过访视的差异,可能会以不同的速率对患者数据进行采样。为了解决这些挑战,我们提出了一个强大的措施,病人的相似性的基础上子序列比对。与不考虑病理生理学不对准的全局对准技术相比,专注于最相关的一致性允许精确测量患者之间的相似性。我们证明了我们的方法在纵向数据,而有用的设置中的实用性,是有限的,缺乏一个明确的时间对齐比较。应用于对患者进展为可能的阿尔茨海默病的风险进行分层的任务,我们的方法优于仅使用快照数据的模型(AUROC为0.839与0.812)和使用全局对齐技术的模型(AUROC为0.822)。我们的研究结果支持这一假设,即患者的轨迹是有用的量化患者间的相似性,并使用子序列匹配,可以帮助解释异质性和纵向数据的不对齐。
2018-03-02 cs.LG stat.ML
Language Models Are An Effective Patient Representation Learning Technique For Electronic Health Record Data
电子健康记录(EHR)的广泛采用推动了使用机器学习为各种临床结果构建预测模型的发展。这个过程通常受到用于训练模型的患者记录数量相对较少的限制。我们证明,使用患者表示方案的灵感来自自然语言处理技术可以提高临床预测模型的准确性,通过转移从整个患者群体的信息,以训练一个特定的模型,其中只有一个子集的人口是相关的。与标准基线相比,这种患者表示方案使五个预测任务的AUROC平均改善3.5%,当只有少量患者记录可用于训练临床预测模型时,平均改善上升到19%。
2020-05-12 cs.CL cs.LG stat.ML
Multimodal Pretraining of Medical Time Series and Notes
Texas A&M University(德克萨斯农工大学)
针对ICU医疗数据标注稀缺的问题,提出结合对比学习与掩码标记预测的多模态自监督预训练方法,对齐临床测量数据与病历记录,在少标注场景下显著提升下游任务性能。
2023-12-11 cs.CL cs.LG
Mapping Patient Trajectories: Understanding and Visualizing Sepsis Prognostic Pathways from Patients Clinical Narratives
TCS Research(TCS研究);Ashoka University(阿什oka大学)
本文提出一种基于临床叙述和自然语言处理的方法,利用 SHAP 解释不同脓毒症患者亚组,构建并可视化预后路径,揭示疾病进展轨迹与关键影响因素,助力实现个性化医疗。
2024-07-20 cs.AI cs.CL cs.LG
What Do You See in this Patient? Behavioral Testing of Clinical NLP Models
Berliner Hochschule für Technik (BHT)(柏林工程应用技术大学)
基于临床记录的决策支持系统有可能通过向医生指出监督风险来改善患者护理。预测患者的结果是此类系统的重要组成部分,深度神经网络的使用已经显示出有希望的结果。然而,这些网络学习到的模式大多是不透明的,以前的工作揭示了无意偏见复制的缺陷。因此,我们引入了一个可扩展的测试框架,评估临床结果模型的输入变化的行为。该框架有助于理解学习的模式及其对模型决策的影响。在这项工作中,我们应用它来分析患者特征性别,年龄和种族方面的行为变化。我们对目前三个临床NLP模型的评估表明了这些特征对模型决策的具体影响。他们表明,即使对相同的数据进行微调,模型的行为也会发生巨大的变化,并且据称表现最好的模型并不总是学习到医学上最合理的模式。
2021-11-30 cs.CL cs.LG
Enriching Unsupervised User Embedding via Medical Concepts
University of Memphis(孟菲斯大学);Adobe Research(奥多比研究院);Johns Hopkins University(约翰斯·霍普金斯大学)
电子健康记录(EHR)中的临床记录提供了丰富的患者记录信息,以推断疾病诊断的表型和研究队列选择的患者特征。无监督用户嵌入的目的是在没有人类监督的情况下将患者编码为固定长度的向量。从临床笔记中提取的医学概念包含患者与其临床类别之间的丰富联系。然而,现有的从临床笔记中嵌入用户的无监督方法没有明确地结合医学概念。在这项研究中,我们提出了一个概念感知的无监督用户嵌入,共同利用文本文档和医学概念,从两个临床语料库,MIMIC-III和糖尿病。我们评估用户嵌入的外在和内在的任务,包括表型分类,在医院死亡率预测,病人检索,和病人的相关性。在两个临床语料库上的实验表明,我们的方法超过了无监督的基线,并纳入医疗概念可以显着提高基线性能。
2022-03-29 cs.CL cs.LG
EEG-Language Pretraining for Highly Label-Efficient Clinical Phenotyping
Charité – Universitätsmedizin Berlin, Department of Psychiatry and Psychotherapy, Berlin, Germany(柏林查理医院医学大学精神病与心理治疗系);Hertie Institute for AI in Brain Health, University of Tübingen, Germany(图宾根大学健康人工智能研究所)
本文提出在临床报告和15000个EEG上训练EEG语言模型(ELMs),结合多模态对齐、时间序列裁剪、文本分割及多示例学习缓解片段错位,在四项临床评估中显著优于仅EEG模型,首次实现零样本分类与信号报告检索。
2025-08-11 cs.AI cs.LG eess.SP
The impact of patient clinical information on automated skin cancer detection
Federal University of Espírito Santo(圣埃斯皮里图联邦大学)
皮肤癌是世界上最常见的癌症之一。因此,在过去的几年里,人们提出了不同的方法来帮助检测它。然而,大多数方法都只基于皮肤镜图像,而没有考虑到患者的临床信息。在这项工作中,首先,我们提出了一个新的数据集,其中包含从智能手机获取的临床图像和皮肤病变的患者临床信息。接下来,我们介绍一种简单的方法,使用不同的知名深度学习模型将临床数据和图像结合起来。这些模型仅使用图像并将其与患者临床信息相结合应用于所呈现的数据集。我们提出了一项全面的研究,以显示临床数据对最终预测的影响。通过结合两组信息获得的结果显示,所有模型的平衡精度普遍提高了约7%。此外,统计检验表明,考虑和不考虑两种数据的模型之间存在显著差异。所实现的改进显示了在皮肤癌检测中使用患者临床信息的潜力,并表明这条信息对于利用皮肤癌检测系统很重要。
2019-09-16 cs.CV cs.LG eess.IV
Predicting Clinical Intent from Free Text Electronic Health Records
University College London(伦敦大学学院);University College London Hospitals NHS Foundation Trust(伦敦大学学院医院NHS基金会信托);King’s College London(伦敦国王学院);South London and Maudsley NHS Foundation Trust(南伦敦和莫兹利NHS基金会信托)
在患者咨询之后,临床医生确定患者管理的步骤。例如,临床医生可以请求再次见到患者或将他们转介给专家。虽然大多数临床医生会在患者的临床笔记中将其意图记录为“下一步”,但在某些情况下,临床医生可能会忘记将其意图指示为订单或请求,例如,未能下达后续订单。因此,这会导致患者失访,并且在某些情况下可能会导致不良后果。在本文中,我们训练一个机器学习模型,以检测临床医生的意图,以跟进病人的临床笔记。注释者系统地确定了22种可能的临床意图类型,并注释了3000份肥胖症临床笔记。注释过程揭示了标记数据中的类别不平衡,我们发现只有足够的标记数据来训练22个意图中的11个。我们使用这些数据来训练基于BERT的多标签分类模型,并报告了以下所有意图的平均准确度指标:宏观精度:0.91,宏观召回率:0.90,宏观f1:0.90。
2022-03-25 cs.CL cs.LG
Sequence Composition in EHR Foundation Model Pretraining
Imperial College London(帝国理工学院)
该研究针对 EHR 基础模型预训练的序列构成问题,提出替代方法,在 MIMIC-IV 等数据集的临床预测任务上提升了多项指标,且无需改模型或增数据。
2026-10-14 cs.LG
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
Unsupervised Clinical Language Translation
Massachusetts Institute of Technology(麻省理工学院)
随着患者获取医生的临床笔记变得普遍,将专业的临床术语翻译成外行人可以理解的语言对于改善患者与临床医生的沟通至关重要。这种翻译通过增强患者对自身健康状况的了解,从而提高患者对自身护理的参与度,从而产生更好的临床结果。现有的研究已经使用基于词典的单词替换或定义插入来满足需求。然而,这些方法受到专家策展的限制,专家策展难以扩展,并且难以推广到不共享重叠词汇的不可见数据集。相比之下,我们以完全无监督的方式处理临床单词和句子翻译问题。我们发现,一个框架,使用表示学习,双语词典归纳和统计机器翻译产生的最佳精度在10的0.827专业到消费者的单词翻译,和平均意见得分为4.10和4.28的5临床正确性和外行可读性,分别对句子翻译。我们的完全无监督策略克服了策展问题,并且临床上有意义的评估减少了不适当评估者的偏见,这在临床机器学习中至关重要。
2019-05-26 cs.CL cs.LG
Early Prediction of Mortality in Critical Care Setting in Sepsis Patients Using Structured Features and Unstructured Clinical Notes
Northwestern University(西北大学)
脓毒症是死亡的重要原因,特别是在重症监护病房(ICU)患者中。开发新的方法来确定早期死亡率对于改善脓毒症患者的生存结局至关重要。使用MIMIC-III数据库,我们整合了人口统计学数据,生理测量和临床记录。我们建立并应用了几个机器学习模型来预测脓毒症患者的住院死亡率和30天死亡率的风险。从临床笔记中,我们生成了有临床意义的单词表示和嵌入。使用监督学习分类器和深度学习架构来构建预测模型。利用结构化和非结构化临床特征的配置产生了0.512的竞争性F测量。我们的研究结果表明,整合结构化和非结构化的临床特征的方法可以有效地应用于帮助临床医生识别脓毒症患者在进入ICU后的死亡风险。
2021-11-09 cs.CY cs.LG
A Computer-Aided System for Determining the Application Range of a Warfarin Clinical Dosing Algorithm Using Support Vector Machines with a Polynomial Kernel Function
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);University of Utah(犹他大学)
确定华法林的最佳初始剂量是一项至关重要的任务。有几个因素会影响个体患者的治疗剂量,例如患者的身体属性(年龄、身高等),药物特征、合并症和代谢基因型(CYP2C9和VKORC 1)。这些影响治疗剂量的广泛因素为临床医生确定最佳初始剂量创造了复杂的环境。使用4,237例患者的样本,我们提出了一种最流行的给药算法之一的伴随分类模型(国际遗传药理学联盟(IWPC)临床模型),该模型确定了应用该模型的适当患者队列。所提出的模型作为一个临床决策支持系统,协助临床医生在给药。我们使用支持向量机开发了一种分类模型,使用多项式核函数来确定应用剂量预测模型是否适合给定患者。仅当患者被归类为“对模型安全”时,才会使用IWPC临床模型。通过使用所提出的方法,剂量模式的预测准确性在均方根误差方面增加了15%,在被归类为“模型安全”的患者的剂量估计的平均绝对误差方面增加了17%。
2019-03-21 cs.LG stat.ML
Personalized Risk Scoring for Critical Care Patients using Mixtures of Gaussian Process Experts
University of California, Los Angeles(加州大学洛杉矶分校);David Geffen School of Medicine, University of California, Los Angeles(加州大学洛杉矶分校大卫·格芬医学院)
我们开发了一个个性化的实时的风险评分算法,提供及时和粒度评估的基础上,他们的(时间)实验室检查和生命体征的病房患者的临床急性。通过分层潜在类模型捕获患者群体的异质性。所提出的算法的目的是发现潜在的类在患者人群中的数量,并训练混合高斯过程(GP)的专家,其中每个专家模型的生理数据流与特定的类。自学迁移学习用于将从临床稳定患者的域学到的潜在类的知识迁移到临床恶化患者的域。对于新患者,计算所有全科医生专家对患者生理数据流的临床状态的后验信念,并将个性化风险评分评估为这些信念的加权平均值,其中权重是从患者的入院信息中学习的。在加州大学洛杉矶分校罗纳德里根医学中心收治的6,313名患者的异质队列中进行的实验表明,我们的风险评分优于目前部署的风险评分,如MEWS和Rothman评分。
2016-05-03 cs.LG stat.ML
Identification, explanation and clinical evaluation of hospital patient subtypes
University of Bristol(布里斯托大学);University Hospitals Bristol NHS Foundation Trust(布里斯托大学医院NHS基金会信托)
我们提出了一个管道,其中无监督的机器学习技术用于自动识别2017年至2021年期间在英国一家大型教学医院收治的医院患者的亚型。通过使用最先进的可解释性技术,对识别的亚型进行解释并赋予临床意义。同时,临床医生在其临床知识的背景下评估了所识别的患者亚型的群内相似性和群间差异。通过面对自动和基于临床医生的解释的输出,我们的目标是强调将机器学习技术与临床专业知识相结合的互利性。
2023-01-19 cs.LG
Estimation of Clinical Workload and Patient Activity using Deep Learning and Optical Flow
Monash University(蒙纳士大学);Eastern Health(东部健康中心)
使用热成像的非接触式监测越来越多地被提议用于监测住院患者的病情恶化,最近用于检测COVID-19大流行期间的发烧和感染。在这封信中,我们提出了一种新的方法来估计病人的运动和观察临床工作量使用类似的技术设置,但结合开源目标检测算法(YOLOv 4)和光流。患者运动估计用于近似患者的激动和镇静,而工人运动被用作护理人员工作量的替代。通过比较重症监护室记录的患者视频中的32000多帧,与临床工作人员记录的临床躁动评分,说明了性能。
2022-02-09 cs.CV cs.HC cs.LG
Discriminative Representation Learning for Clinical Prediction
The University of Hong Kong (HKU)(香港大学)
本文提出一种监督深度学习框架,通过最大化类间分离与类内方差比,提升临床预测性能,优于其他预训练方法。
2026-03-21 cs.LG
A Study of Social and Behavioral Determinants of Health in Lung Cancer Patients Using Transformers-based Natural Language Processing Models
University of Florida(佛罗里达大学);Weill Cornell Medicine(威尔康奈尔医学院)
健康的社会和行为决定因素(SBDoH)在塑造人们的健康方面发挥着重要作用。在临床研究中,特别是比较有效性研究中,未能调整SBDoH因素可能会在统计分析和基于机器学习的模型中导致混淆问题和错误分类错误。然而,有有限的研究,以检查SBDoH因素的临床结果,由于缺乏结构化的SBDoH信息在当前的电子健康记录(EHR)系统,而大部分的SBDoH信息记录在临床叙述。因此,自然语言处理(NLP)是从非结构化临床文本中提取此类信息的关键技术。然而,目前还没有一个成熟的临床NLP系统专注于SBDoH。在这项研究中,我们检查了两个最先进的基于转换器的NLP模型,包括BERT和RoBERTa,以从临床叙述中提取SBDoH概念,应用表现最好的模型提取肺癌筛查患者队列的SBDoH概念,分析了自然语言处理结果和结构化EHR中SBDoH信息的差异(SBDoH信息以标准词汇表(如国际疾病分类代码)获取)。实验结果表明,基于BERT的自然语言处理模型取得了最好的严格/宽松的F1分数分别为0.8791和0.8999。NLP提取的SBDoH信息和结构化EHR在864例肺癌患者队列中的161,933种不同类型的临床记录之间的比较表明,关于吸烟,教育和就业的更详细的信息仅在临床叙述中获得,并且有必要使用临床叙述和结构化EHR来构建患者SBDoH因素的更完整的图片。
2021-08-10 cs.CL cs.LG
Contextual Constrained Learning for Dose-Finding Clinical Trials
University of Cambridge(剑桥大学);Yonsei University(延世大学);University of Virginia(弗吉尼亚大学);University of Oxford(牛津大学);UCLA(加利福尼亚大学洛杉矶分校)
医疗领域的临床试验受到预算的限制。因此,可以招募的患者数量有限。当患者群体是异质性的时,这在学习对特定药物的亚组特异性反应中产生困难,特别是对于各种剂量。此外,由于临床试验的目的不是为试验中的任何特定患者提供获益,因此患者招募可能很困难。在本文中,我们提出了C3 T-Budget,一个上下文约束的临床试验算法,用于在预算和安全约束下进行剂量发现。该算法旨在最大限度地提高临床试验中的药物疗效,同时了解正在测试的药物。C3 T-Budget招募患者时考虑了剩余预算、剩余时间和每组的特征,如总体分布、估计的预期疗效和估计可信度。此外,该算法旨在避免不安全的剂量。这些特点进一步说明了在模拟临床试验研究,这证实了理论分析,并证明了一个有效的预算使用以及平衡的学习治疗权衡。
2020-02-24 cs.LG stat.ML
Neural Clinical Event Sequence Prediction through Personalized Online Adaptive Learning
University of Pittsburgh(匹兹堡大学)
临床事件序列由数千个临床事件组成,这些临床事件代表了患者护理的时间记录。为这样的序列开发准确的预测模型对于定义患者状态的表示和改善患者护理是非常重要的。学习临床序列的良好预测模型的一个重要挑战是患者特异性变异性。基于潜在的临床并发症,每个患者的序列可以由不同的临床事件集合组成。然而,从这样的序列学习的基于群体的模型可能不能准确地预测事件序列的患者特异性动态。为了解决这个问题,我们开发了一个新的自适应事件序列预测框架,该框架通过在线模型更新来学习调整其对个体患者的预测。
2021-04-06 cs.AI cs.CY cs.LG
Longitudinal patient stratification of electronic health records with flexible adjustment for clinical outcomes
Sensyne Health Plc(Sensyne Health 公司)
纵向电子健康记录(EHR)数据可用性的增加正在改善对疾病的理解和发现新的表型。大多数聚类算法仅关注患者轨迹,但具有相似轨迹的患者可能具有不同的结果。发现具有不同轨迹和结果的患者亚组可以指导未来的药物开发并改善临床试验的招募。我们开发了一个递归神经网络自动编码器,使用重建,结果和聚类损失来聚类EHR数据,这些数据可以加权以找到不同类型的患者聚类。我们表明,我们的模型能够从数据偏差和结果差异中发现已知的聚类,优于基线模型。我们证明了模型对$29,229$糖尿病患者的性能,表明它发现了具有不同轨迹和不同结果的患者群,可用于辅助临床决策。
2021-11-11 cs.LG
GRU-TV: Time- and velocity-aware GRU for patient representation on multivariate clinical time-series data
Xidian University(西安电子科技大学);Robarts Research Institute(罗伯茨研究所);Western University(韦仕敦大学);University of Michigan(密歇根大学)
电子健康记录(EHR)通常是高度多维,异构和多模式的。此外,临床变量的随机记录导致从电子病历中提取的多变量临床时间序列数据中的高缺失率和相邻记录之间的不均匀时间间隔。目前的工作,使用临床时间序列数据的病人表示把病人的生理状态作为一个离散的过程描述的零星收集的记录。然而,患者生理状况的变化是连续的动态过程。对时间和变化速度的感知对于患者的表示学习至关重要。在这项研究中,我们提出了一个时间和速度感知的门控递归单元模型(GRU-TV)的患者表示学习的临床多变量时间序列数据在时间连续的方式。神经常微分方程(ODEs)和速度感知机制分别用于感知相邻记录之间的时间间隔和患者生理状态的变化率。我们在两个真实的临床EHR数据集(PhysioNet 2012,MIMIC-III)上的实验表明,GRU-TV是计算机辅助诊断(CAD)任务的鲁棒模型,特别是在具有高方差时间间隔的序列上。
2022-10-12 cs.AI cs.LG
Leveraging Natural Learning Processing to Uncover Themes in Clinical Notes of Patients Admitted for Heart Failure
Wright State University(莱特州立大学);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
当心脏不能泵送血液和氧气来支持身体中的其他器官时,就会发生心力衰竭。治疗包括药物治疗,有时住院治疗。心力衰竭患者可能同时患有心血管和非心血管合并症。可以分析心力衰竭患者的临床记录,以深入了解这些记录中讨论的主题和这些患者的主要合并症。在这方面,我们应用机器学习技术,如主题建模,以确定在伊利诺伊大学医院和健康科学系统(UI Health)的1,200名心力衰竭患者的临床记录中发现的主要主题。主题建模揭示了这些临床记录中的五个隐藏主题,其中一个与心脏病合并症有关。
2022-04-14 cs.LG
A Comparison of Veterans with Problematic Opioid Use Identified through Natural Language Processing of Clinical Notes versus Using Diagnostic Codes
Washington DC VA Medical Center(华盛顿特区退伍军人医疗中心);George Washington University(乔治华盛顿大学);Georgetown University School of Medicine(乔治城大学医学院)
本研究面向222,371名退伍军人,比较NLP临床记录识别与ICD诊断代码识别问题性阿片类药物使用的患者特征,证明NLP可有效发现诊断代码遗漏人群。
2024-01-18 cs.AI cs.CL cs.LG
Visualization of Emergency Department Clinical Data for Interpretable Patient Phenotyping
Texas A&M University(德克萨斯农工大学);Yale School of Medicine(耶鲁医学院)
在电子健康记录(EHR)中包含的对收集的关于患者的临床数据的视觉总结可以在患者呈现给急诊科(ED)时实现精确且快速的分类。在适当分配资源和预测最终患者处置(通常是入院或出院)方面,分诊过程至关重要。EHR数据是高维和复杂的,但提供了发现和表征基础数据驱动的患者表型的机会。这些表型将使改善,个性化的治疗决策和解释。在这项工作中,我们专注于二维患者投影的挑战。低维嵌入提供了在高维中丢失的视觉可解释性。虽然线性降维技术,如主成分分析,经常用于实现这一目标,他们是不足以描述患者数据的方差。在这项工作中,我们采用了新描述的非线性嵌入技术,称为均匀流形近似和投影(UMAP)。UMAP试图在高维数据中捕获局部和全局结构。然后,我们使用高斯混合模型来识别嵌入数据中的聚类,并使用调整后的Rand指数(ARI)来建立这些聚类的发现的稳定性。这种技术被应用到五个常见的临床主要投诉从现实世界的ED EHR数据集,描述所发现的集群的紧急属性。我们观察临床相关的聚类属性,这表明使用非线性降维的EHR数据的视觉嵌入是一种很有前途的方法来揭示数据驱动的患者表型。在五个主要投诉中,我们发现2到6个聚类,随后的训练迭代之间的峰值平均成对ARI范围从0.35到0.74。
2019-07-05 cs.HC cs.LG stat.ML
COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for COVID-19 Patients via Explainability and Trust Quantification
DarwinAI Corp.(DarwinAI公司);University of Waterloo(滑铁卢大学);Waterloo Artificial Intelligence Institute(滑铁卢人工智能研究所)
COVID-19大流行继续对全球造成破坏性影响,并对世界各地苦苦挣扎的医疗系统造成巨大负担。鉴于资源有限,准确的患者分诊和护理规划在抗击COVID-19中至关重要,而护理规划中的一项关键任务是确定患者是否应该进入医院的重症监护室(ICU)。出于对透明和可信的ICU入院临床决策支持的需求,我们引入了COVID-Net Clinical ICU,这是一种基于患者临床数据的ICU入院预测神经网络。在透明、以信任为中心的方法的驱动下,拟议的COVID-Net临床ICU是使用来自Hospitality Libanes的临床数据集构建的,该数据集包括1,925份COVID-19患者记录,能够预测COVID-19阳性患者何时需要入住ICU,准确率为96. 9%,以促进医院在持续的大流行中更好地制定护理计划。我们使用定量可解释性策略进行系统级洞察发现,以研究不同临床特征的决策影响,并获得可操作的洞察力,以提高预测性能。我们进一步利用了一套信任量化指标,以更深入地了解COVID-Net临床ICU的可信度。通过深入挖掘临床预测模型何时以及为什么做出某些决策,我们可以发现关键临床决策支持任务(如ICU入院预测)决策的关键因素,并确定临床预测模型可以信赖的情况。
2021-11-29 cs.AI cs.LG
Patient Clustering via Integrated Profiling of Clinical and Digital Data
Georgia Institute of Technology(佐治亚理工学院);Kaiser Permanente(凯泽永久医疗集团);Georgia Tech Research Institute(佐治亚理工研究院)
本研究提出一种基于约束低秩近似的患者聚类模型,融合临床与数字交互数据构建患者画像生成非负嵌入,在真实医疗数据上的聚类一致性和推荐准确率均优于基线方法。
2023-08-22 cs.AI cs.LG