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
Self-supervision for health insurance claims data: a Covid-19 use case
Exponential Technology CoE, Anthem(Anthem 指数技术卓越中心)
在这项工作中,我们修改和应用自我监督技术的领域的医疗健康保险索赔。我们模拟患者的医疗索赔历史,类似于自由文本叙述,并引入预先训练的“先验知识”,随后用于对一项具有挑战性的任务进行患者结局预测:根据患者的前Covid-19保险索赔历史预测Covid-19住院。结果表明,对保险索赔进行预训练不仅可以产生更好的预测性能,而且更重要的是,可以提高模型的“临床可信度”和模型的稳定性/可靠性。
2021-07-19 cs.AI cs.CL cs.LG
Machine learning using longitudinal prescription and medical claims for the detection of nonalcoholic steatohepatitis (NASH)
IQVIA(艾昆纬)
目的开发和评估机器学习模型,以检测疑似未确诊的非酒精性脂肪性肝炎(NASH)患者,用于诊断筛查和临床管理。方法在这项回顾性观察性非干预性研究中,使用来自1,463,089例患者的行政医疗索赔数据,训练梯度提升决策树,以从具有肥胖、2型糖尿病(T2 DM)、代谢紊乱或非酒精性脂肪肝(NAFL)病史的高危患者人群中检测可能的NASH患者。对模型进行训练,以检测所有风险患者或既往无NAFL诊断的亚组(非NAFL风险患者)中可能的NASH。使用回顾性医疗索赔数据对模型进行训练和验证,并使用精确召回面积和受试者工作特征曲线(AUPRC,AUROC)进行评估。在索赔数据中,NASH的6个月发病率为1/1,437例高危患者和1/2,127例非NAFL高危患者。训练用于检测所有风险患者中NASH的模型的AUPRC为0.0107(95% CI 0.0104 - 0.011),AUROC为0.84。在10%的召回率下,模型精度为4.3%,是NASH发病率的60倍。训练用于检测非NAFL患者中NASH的模型的AUPRC为0.003(95% CI 0.0029 - 0.0031),AUROC为0.78。在10%的召回率下,模型精度为1%,是NASH发病率的20倍。结论NASH在医疗索赔数据中的低发生率证实了NASH在临床实践中的漏诊模式。基于索赔的机器学习可以促进检测可能的NASH患者,以进行诊断测试和疾…
2022-03-07 cs.CY cs.LG stat.ML
Short-term Mortality Prediction for Elderly Patients Using Medicare Claims Data
Massachusetts Institute of Technology(麻省理工学院);Harvard University(哈佛大学);National Bureau of Economic Research(美国国家经济研究局);Harvard Medical School(哈佛医学院)
风险预测是临床医学和公共卫生的核心。虽然已经开发了许多机器学习模型来预测死亡率,但它们很少应用于临床文献,其中分类任务通常依赖于逻辑斯谛回归。其中一个原因是,现有的机器学习模型往往试图通过整合提供商和政策制定者随时可用的数据库中不存在的功能来优化预测,从而限制了可推广性和实施。在这里,我们测试了一些机器学习分类器,用于预测老年医疗保险受益人人群的六个月死亡率,使用的是大多数医疗保健支付者和提供者可用的行政索赔数据库。我们表明,机器学习分类器大大优于目前广泛使用的风险预测方法,但只有当使用改进的功能集,结合临床医学的见解,为这项研究开发。我们的工作应用于支持患者和提供者在生命结束时的决策,以及以人口健康为导向的努力,以确定处于不良结局高风险的患者。
2017-12-02 cs.LG stat.ML
Healthcare cost prediction for heterogeneous patient profiles using deep learning models with administrative claims data
Santa Clara University(圣克拉拉大学);Arizona State University(亚利桑那州立大学)
针对行政理赔数据异质性及高需求患者预测公平性问题,提出按代码与成本分通道的深度学习框架,并用多通道熵评估异质性,显著降低误差、超额支付与支付不足。
2025-02-17 cs.CY cs.LG
Evaluation of the impact of expert knowledge: How decision support scores impact the effectiveness of automatic knowledge-driven feature engineering (aKDFE)
Linnaeus University(林奈大学);Region Kalmar County(卡尔马省地区);AI Sweden(瑞典人工智能)
本研究评估自动知识驱动特征工程(aKDFE)在电子健康记录的药物不良事件预测中的表现,发现其以患者为中心的转换步骤显著提升了预测性能,但纳入Janusmed风险评分未带来显著增强。
2025-05-28 cs.LG
Decoding Future Risk: Deep Learning Analysis of Tubular Adenoma Whole-Slide Images
Dept. of Pathology(病理学系);Honeywell International Inc.(霍尼韦尔国际公司);South Bend Medical Foundation(南本德医疗基金会);Dept. of Electrical and Computer Engineering(电气与计算机工程系)
本研究利用深度学习分析管状腺瘤全切片图像,旨在通过检测细微组织学特征预测患者未来患结直肠癌的风险。
2026-02-09 cs.CV cs.LG
MasonNLP+ at SemEval-2023 Task 8: Extracting Medical Questions, Experiences and Claims from Social Media using Knowledge-Augmented Pre-trained Language Models
George Mason University(乔治梅森大学);CGI Inc.(CGI集团)
本研究针对SemEval-2023任务8的社交媒体医疗信息提取需求,提出知识增强的预训练语言模型提取系统,在两个子任务中均获第三名,还探索了领域专用模型与外部知识的应用效果。
2023-04-26 cs.CL cs.LG
Coverage-Controlled Preference Mining from Noisy Claim Verification for Evidence-Grounded Generation
Vanderbilt University(范德比大学);Vanderbilt University Medical Center(范德比大学医学中心);Lirio;Virginia Tech(弗吉尼亚理工大学)
研究临床简要医院病程总结中基于证据生成的问题,引入VERI-DPO框架,将噪声声明验证转化为覆盖控制的摘要级偏好,经实验验证该框架能降低不支持率,提升模型表现。
2026-07-07 cs.CL cs.LG
Distillation to Enhance the Portability of Risk Models Across Institutions with Large Patient Claims Database
Vanderbilt University Medical Center(范德堡大学医学中心);Vanderbilt University(范德堡大学);IBM Watson Health(IBM沃森健康);IBM Research(IBM研究院)
人工智能,特别是机器学习(ML),正在越来越多地开发和部署,以支持各种环境中的医疗保健。然而,基于ML的临床决策支持(CDS)技术如果要广泛采用,则需要具有可移植性。在这方面,在一个机构开发的模型应可在另一个机构重复使用。然而,有许多可移植性失败的例子,特别是由于ML模型的幼稚应用。可移植性失败可能导致次优护理和医疗错误,最终可能阻止在实践中采用基于ML的CDS。一个可以从增强的便携性中受益的特定医疗保健挑战是预测30天再入院风险。迄今为止的研究表明,深度学习模型可以有效地对此类风险进行建模。在这项工作中,我们调查的实用性模型的可移植性,通过跨站点评估再入院预测模型。为此,我们应用了一个递归神经网络,增强了自我注意力,并融合了专家特征,为两个独立的大规模索赔数据集建立了再入院预测模型。我们进一步提出了一种新的迁移学习技术,该技术采用了众所周知的重复网络(BAN)训练方法。我们的实验表明,在一个机构训练并在另一个机构测试的ML模型的直接应用比在同一机构训练和测试的模型表现更差。我们进一步表明,基于BAN的迁移学习方法产生的模型比仅在单个机构的数据上训练的模型更好。值得注意的是,这种改善在两个站点之间是一致的,并且发生在单次再培训之后,这说明了再入院风险预测的廉价和通用模型转移机制的潜力。
2022-07-06 cs.AI cs.CY cs.LG
Rare Disease Detection by Sequence Modeling with Generative Adversarial Networks
IQVIA Inc.(IQVIA公司);Georgia Institute of Technology(佐治亚理工学院)
影响3.5亿人的罕见疾病通常与诊断延误或误诊有关。为了改善这些患者的结局,罕见病检测是基于纵向医疗索赔识别罕见病患者的重要任务。在本文中,我们提出了一种深度学习方法,用于检测胰腺外分泌功能不全(EPI)(一种罕见疾病)患者。该贡献包括1)一项大型纵向研究,使用来自180万名患者(包括29,149名EPI患者)的7年医疗索赔,2)一种新的深度学习模型,使用生成对抗网络(GANs)来提高罕见疾病类别,并利用递归神经网络对患者序列数据进行建模,3)具有0.56 PR-AUC的准确预测,在精确度和召回率方面优于基准模型。
2019-07-01 cs.LG stat.ML
Repeated-Measure Leakage, Distribution Shift, and Reliability under Partial Observation in Patient World Models
Massachusetts Institute of Technology(麻省理工学院);Computer Science and Artificial Intelligence Laboratory (CSAIL)(计算机科学与人工智能实验室(CSAIL))
本研究评估患者世界模型在部分观测下的可靠性,发现重复测量泄漏和分布偏移显著影响预测性能,提出包含患者分离、重复测量控制、偏移和不确定性验证的评估栈。
2026-10-06 cs.LG
A Framework for Predicting Impactability of Healthcare Interventions Using Machine Learning Methods, Administrative Claims, Sociodemographic and App Generated Data
Harvard T.H. Chan School of Public Health(哈佛陈曾熙公共卫生学院);Wellframe Inc.(Wellframe公司)
目前尚不清楚如何针对最有可能从数字护理管理计划中受益的患者,这是目前基于风险评分的方法的一个缺点。这项研究的重点是通过识别那些最有可能从技术支持的护理管理中受益的患者来定义影响力,这些护理管理通过数字健康平台提供,包括移动应用程序和临床医生网络仪表板。分析的保险索赔数据来自美国几个州的商业保险人群,并与推断的社会人口数据和来自患者手持移动应用程序本身的数据相结合。我们的方法包括创建两个模型,并对其中的方法和性能进行比较分析。我们首先训练成本预测模型,以计算患者(N = 1,242)的预测(无干预)与实际(加入数字健康平台)医疗保健支出的差异。如果预测成本与实际成本的差异达到预定阈值,就可以对影响程度进行分类。然后训练随机森林机器学习模型,以准确地将新患者分类为可影响与不可影响,总体准确率达到71.9%。然后,我们通过网格搜索修改这些参数,以定义提供最佳性能的参数。提出了一个路线图,迭代地提高模型的性能。随着新入组患者的数量和使用时间的持续增加,随着更先进的机器学习技术(如深度学习)变得相关,预测影响力的准确性将大幅提高。这种方法可推广到分析任何干预措施的影响力,是实现闭环反馈系统以持续改进医疗保健的关键组成部分。
2019-05-15 cs.LG q-bio.QM stat.ML
Deep Claim: Payer Response Prediction from Claims Data with Deep Learning
Alpha Health
每年,几乎10%的索赔被付款人拒绝(即,健康保险计划)。由于收回这些拒绝和支付不足的成本,预计从索赔数据中以高度的准确性和精确度预测付款人响应(支付可能性)将提高医疗保健人员的绩效生产力,并在收入周期中推动更好的患者财务体验和满意度(Barkholz,2017)。然而,在过去的二十年里,构建高级预测分析模型一直被认为是一项挑战。也就是说,我们提出了一个(低级别)上下文相关的紧凑表示患者的历史索赔记录,有效地学习复杂的依赖关系(高级别)索赔输入。基于这种新的潜在表示,我们证明了基于深度学习的框架Deep Claim可以使用来自两个美国卫生系统的2,905,026个去识别索赔数据准确预测多个付款人的各种响应。在健康系统A上,Deep Claim在预测索赔拒绝方面比精心选择的基线有22.21%的相对召回增益(95%的精度),这意味着Deep Claim可以找到比最佳基线系统多22.21%的拒绝。
2020-07-13 cs.CY cs.LG stat.ML
Survival Prediction Across Diverse Cancer Types Using Neural Networks
Trine University(特里恩大学);Hong Kong University of Science and Technology(香港科技大学);SouthWest JiaoTong University(西南交通大学);University of Southampton(南安普顿大学)
本研究针对胃癌和结肠腺癌预后需求,通过切片全切片图像提取特征、构建患者级图结构,结合4层图卷积神经网络进行生存预测,C-index优于传统卷积模型,推动癌症精准预后与个性化治疗发展。
2024-04-11 cs.LG eess.IV q-bio.QM
Using massive health insurance claims data to predict very high-cost claimants: a machine learning approach
Blue Health Intelligence(蓝健康智能公司);University of Illinois School of Public Health(伊利诺伊大学公共卫生学院);Loyola University of Chicago(芝加哥洛约拉大学)
由于不断上升的医疗成本,准确预测哪些患者将承担高成本是医疗保健支付者和提供者的重要任务。高成本索赔人(HiCC)是年费用高于$\$250,000$的患者,他们仅占投保人口的0.16%,但目前占所有医疗费用的9%。在这项研究中,我们的目标是开发一种高性能的算法来预测HiCC,以告知一种新的护理管理系统。使用来自4800万人的健康保险索赔并辅以人口普查数据,我们应用机器学习来训练二元分类模型,以计算HiCC的个人风险。为了训练模型,我们开发了一个平台,从所有临床和人口统计学维度的6,006个变量开始,构建了100多个候选模型。最佳模型的受试者工作特征曲线下面积为91.2%。该模型超过了已发表的最高性能(84%),并且对于没有高成本状态既往史的患者(89%),招募不到一整年的患者(87%)或缺乏药房索赔数据(88%)仍然很高。它达到了23.1%的精确率-召回率曲线下的面积,在0.99的阈值下,精确率为74%。一项招募500名HiCC风险最高的人的护理管理计划预计将治疗199名真正的HiCC,每年可净节省$\$7.3$百万美元。我们的研究结果表明,高性能的预测模型可以单独使用索赔数据和公开的数据,即使是罕见的高成本索赔超过$\$250,000$。我们的模型展示了机器学习和人工智能在护理管理中的变革力量,这将使医疗保健支付者和提供者能够引入下一代护理管理计划。
2019-12-30 cs.LG stat.ML
Patient, Place, Prior (P$^3$): What Counts as Personalization in Medical World Models?
University of California, Berkeley(加州大学伯克利分校);University of California, San Francisco(加州大学旧金山分校);Southern Methodist University(南卫理公会大学)
本文提出P$^3$审计框架和Cancer JEPA模型,用于评估医学世界模型中的个性化预测,区分输入使用与患者特定预测价值,并验证了患者历史与病灶占用图对预测误差的降低作用。
2026-10-08 cs.AI cs.LG
CNN-based Survival Model for Pancreatic Ductal Adenocarcinoma in Medical Imaging
University of Toronto(多伦多大学);Lunenfeld-Tanenbaum Research Institute, Sinai Health System(西奈卫生系统卢嫩菲尔德-塔南鲍姆研究所);McMaster University(麦克马斯特大学);Hamilton Health Sciences(汉密尔顿健康科学中心);Sunnybrook Health Sciences Centre(桑尼布鲁克健康科学中心);Sunnybrook Research Institute(桑尼布鲁克研究所)
Cox比例风险模型(CPH)是临床研究中常用的生存分析模型。在定量医学成像(放射组学)研究中,CPH在特征约简和建模中起着重要作用。然而,CPH模型的基本线性假设限制了预测性能。此外,辐射组学特征的多重共线性和多重检验问题进一步阻碍了CPH模型的性能。在这项工作中,使用迁移学习,建立了基于卷积神经网络(CNN)的生存模型,并在可切除的胰腺导管腺癌(PDAC)患者的术前CT图像上进行了测试。提出的基于CNN的生存模型在一致性指数方面比传统的基于CPH的放射组学方法高出22%,为患者的生存模式提供了更好的拟合。所提出的基于CNN的生存模型在PDAC预后中优于基于CPH的放射组学管道。这种方法提供了一个更好的适合生存模式的基础上CT图像,并克服了传统的生存模型的局限性。
2019-06-25 cs.CV cs.LG eess.IV
Medical Concept Representation Learning from Claims Data and Application to Health Plan Payment Risk Adjustment
Geneia LLC(Geneia有限责任公司)
风险调整已成为医疗保健中越来越重要的工具。它被广泛应用于保健计划的付款调整,以反映为成员提供保险的预期费用。风险调整模型通常使用线性回归进行估计,这并没有充分利用索赔数据中的信息。此外,这种线性回归模型的开发需要大量的领域专家知识和数据预处理的计算工作。在本文中,我们提出了一种新的风险调整方法,使用语义嵌入来表示患者的病史。嵌入有效地表示从患者病史中的诊断、程序和处方代码中学习的医学概念。这种方法大大减少了对特征工程的需求。我们的研究结果表明,模型使用嵌入有更好的性能比商业风险调整模型的前瞻性风险评分预测的任务。
2019-07-15 cs.LG stat.ML
Towards Interpretable End-Stage Renal Disease (ESRD) Prediction: Utilizing Administrative Claims Data with Explainable AI Techniques
Carnegie Mellon University(卡内基梅隆大学);National Institutes of Health(美国国立卫生研究院)
该研究基于10年保险理赔数据,比较传统机器学习与LSTM模型并结合SHAP解释,发现24个月窗口的LSTM在ESRD进展预测中表现最优。
2024-10-25 cs.AI cs.LG
Learning Hidden Patterns from Patient Multivariate Time Series Data Using Convolutional Neural Networks: A Case Study of Healthcare Cost Prediction
Leavey School of Business, Santa Clara University(圣克拉拉大学利维商学院);David Eccles School of Business, University of Utah(犹他大学大卫埃克尔斯商学院);University of Utah(犹他大学);Cairo University(开罗大学)
目的:通过使用卷积神经网络(CNN)架构从患者保险索赔中的多变量时间序列数据中自动学习隐藏的时间模式,开发一种有效且可扩展的个体水平患者成本预测方法。研究方法:我们使用了一家医疗保险公司2013年至2016年三年的医疗和药房索赔数据,其中前两年的数据用于构建模型来预测第三年的成本。数据由成本、就诊和医疗特征的多变量时间序列组成,这些时间序列被塑造成患者健康状况的图像(即,在一个维度上具有时间窗并且在另一个维度上具有医疗、访问和成本特征的矩阵)。患者的多变量时间序列图像被赋予一个CNN方法与建议的架构。在超参数调整之后,所提出的架构由卷积和池化层的三个构建块组成,每个层具有LReLU激活函数和针对医疗保健数据的自定义内核大小。所提出的CNN学习的时间模式成为完全连接层的输入。结论:通过所提出的CNN配置进行的特征学习显著改善了个人层面的医疗成本预测。所提出的CNN能够优于寻找预定义的图案形状集合的时间图案检测方法,因为它能够提取具有各种形状的可变数量的图案。从医疗,访问和成本数据中学习的时间模式对预测性能做出了重大贡献。超参数调整表明,考虑三个月的数据模式具有最高的预测精度。我们的研究结果表明,从多变量时间序列数据中提取的患者图像与常规图像不同,因此需要独特的CNN架构设计。
2020-09-14 cs.LG
UniToPatho, a labeled histopathological dataset for colorectal polyps classification and adenoma dysplasia grading
University of Turin(都灵大学)
结直肠息肉的组织学特征允许定制患者的管理和随访,最终目的是避免或及时发现浸润性癌。结直肠息肉的定性依赖于组织样本的组织学分析,以确定息肉的恶性程度和异型增生程度。深度神经网络在医学模式识别方面具有出色的准确性,但它们需要大量带注释的训练图像。我们介绍了UniToPatho,这是一个从292张全载玻片图像中提取的9536个苏木精和伊红(H&E)染色斑块的注释数据集,用于训练深度神经网络进行结直肠息肉分类和腺瘤分级。我们提出了我们的数据集,并提供了关于如何解决自动结肠直肠息肉表征问题的见解。
2021-02-10 cs.CV cs.LG eess.IV
From Point to probabilistic gradient boosting for claim frequency and severity prediction
École d’actuariat, Université Laval(actuary school, Laval University)
本文统一对比了十种点预测与概率梯度提升算法在五个公开索赔数据集上的表现,发现LightGBM和XGBoostLSS计算效率最优,CatBoost在高基数分类变量下预测更佳,且模型充分性与预测准确性可兼得。
2025-04-28 cs.LG stat.ML
Towards a Deep Learning Pain-Level Detection Deployment at UAE for Patient-Centric-Pain Management and Diagnosis Support: Framework and Performance Evaluation
The University of Melbourne(墨尔本大学);United Arab Emirates University(阿联酋大学);National Water and Energy Center, United Arab Emirates University(阿联酋大学国家水与能源中心)
COVID-19疫情的爆发揭示了在医务人员和设备短缺加剧的情况下及时干预的重要性。疼痛水平筛查是确定患者病情严重程度的第一步。状态和感觉的自动识别有助于识别患者症状以立即采取适当的行动,并提供针对患者状态定制的以患者为中心的医疗计划。在本文中,我们提出了一个框架,疼痛水平检测部署在阿拉伯联合酋长国,并评估其性能使用文献中最常用的方法。我们的研究结果表明,部署疼痛水平深度学习检测框架在准确识别疼痛水平方面是有希望的。
2023-03-14 cs.CV cs.HC cs.LG
Enhancing Model Interpretability and Accuracy for Disease Progression Prediction via Phenotype-Based Patient Similarity Learning
IQIVA Inc.(艾昆纬公司);University of Minnesota(明尼苏达大学);University of Chicago(芝加哥大学)
已经提出了从纵向电子健康记录(EHR)中提取时间模式以用于临床预测模型的模型。然而,患者之间的共同关系(例如,接受相同的治疗)很少被考虑。在本文中,我们提出了学习患者的相似性特征的表型从聚集的患者医疗服务矩阵使用非负矩阵分解。在现实世界的医疗索赔数据中,我们表明,学习的表型在每个组中是一致的,也是对目标疾病的解释和指示。我们进行了实验,以预测慢性淋巴细胞白血病(CLL)患者的诊断。结果表明,基于表型的相似性特征可以改善多基线的预测,包括逻辑斯谛回归、随机森林、卷积神经网络等。
2019-09-26 cs.IR cs.LG stat.AP
Closing the Gap in High-Risk Pregnancy Care Using Machine Learning and Human-AI Collaboration
Massachusetts Institute of Technology(麻省理工学院);Microsoft Research New England(微软研究院新英格兰分部);Independence Blue Cross(独立蓝十字)
本研究开发了基于机器学习的混合分类器和标准分类器,用于识别妊娠患者并预测妊娠并发症风险,集成于为护士提供解释的界面中,在准确性和用户偏好上优于现有方法。
2024-04-22 cs.HC cs.LG
Leveraging graph neural networks for supporting Automatic Triage of Patients
Magna Graecia University of Catanzaro(卡坦扎罗 magna Graecia 大学)
针对急诊科传统人工分诊主观性强、易出错的问题,研究提出基于图神经网络的AI分诊模块,利用历史患者数据训练决策流程实现精准分诊,准确率优于传统方法,可辅助医疗人员进行病情评估与资源调配。
2024-03-11 cs.LG
Explainable Health Risk Predictor with Transformer-based Medicare Claim Encoder
Booz Allen Hamilton(博思艾伦汉密尔顿)
2019年,医疗保险和医疗补助服务中心(CMS)发起了一项人工智能(AI)健康成果挑战赛,寻求解决方案来预测基于价值的护理风险,以纳入CMS创新中心的支付和服务提供模式。最近,现代语言模型在许多健康相关的任务中发挥了关键作用。本文介绍了,据我们所知,这些模型的第一个应用程序,病人再入院预测。为了促进这一点,我们创建了一个由CMS发布的有限数据集(LDS)中的120万个病史样本组成的数据集。此外,我们提出了一个全面的建模解决方案,集中在一个深度学习框架,这些数据。为了演示该框架,我们训练了一个基于注意力的Transformer来学习Medicare语义,以支持执行下游预测任务,从而在再入院分类上实现0.91 AUC和0.91召回。我们还介绍了一种新的数据预处理管道,并讨论了围绕模型可解释性和偏差的相关部署考虑因素。
2021-05-19 cs.AI cs.CL cs.LG
ADEP: A Novel Approach Based on Discriminator-Enhanced Encoder-Decoder Architecture for Accurate Prediction of Adverse Effects in Polypharmacy
Shahid Beheshti University(沙希德·贝赫什提大学);Institute for Research in Fundamental Sciences (IPM)(基础科学研究所)
针对联合用药中未预期的药物-药物相互作用风险,提出集成判别器与编码器-解码器架构的ADEP模型,有效解决数据稀疏性并增强特征提取,在多项基准指标上优于现有方法,提升了不良反应预测准确性与用药安全。
2024-05-31 cs.LG q-bio.QM
In Medical Claims Data, Enhancing Predictive Performance for Major Adverse Cardiovascular Events Using Cross Attention
Kyoto University Graduate School of Medicine(京都大学医学研究科);Cancerscan Inc.(Cancerscan 公司);Shiga University(滋贺大学)
本研究利用交叉注意力机制整合医疗索赔数据中的诊断与治疗关系,生成更具代表性的特征,显著提升了主要不良心血管事件(MACE)的预测性能,ROC-AUC达0.7720,优于多个基准模型。
2026-09-10 cs.LG
Introducing the Large Medical Model: State of the art healthcare cost and risk prediction with transformers trained on patient event sequences
针对美国医疗支出高且浪费严重的问题,本文提出大型医疗模型(LMM),基于1.4亿多患者索赔记录的事件序列训练,在成本预测和慢性病预测上分别优于最佳商业模型和Transformer模型,为医疗分析提供新工具。
2024-12-05 cs.AI cs.LG stat.AP
Logistic regression models for patient-level prediction based on massive observational data: Do we need all data?
Erasmus University Medical Center(伊拉斯谟大学医学中心);Janssen Research and Development(杨森研发)
本研究通过在三个大型数据库中训练17,248个模型评估样本量对预测性能的影响,发现在多数情况下仅需小部分数据即可达到接近全量数据的性能,同时大幅降低模型复杂度。
2024-07-24 cs.LG stat.AP stat.ME
Deep learning for prediction of population health costs
Berlin Institute for Medical Systems Biology, Max Delbrück Center for Molecular Medicine in the Helmholtz Association(柏林医学系统生物学研究所,亥姆霍兹联合会马克斯·德尔布吕克分子医学中心);Institute for Applied Health Research (InGef)(应用健康研究所以(InGef))
准确预测医疗成本对于优化医疗成本管理非常重要。然而,利用医疗保险索赔或电子健康记录等数据的医疗丰富性的方法缺失。在这里,我们开发了一个深度神经网络来预测健康保险索赔记录的未来成本。我们将深度网络和岭回归模型应用于140万德国被保险人的样本,以预测一年的医疗保健总费用。这两种方法进行了比较,Morbi-RSA模型与各种性能指标,也被用来预测患者的成本变化,并确定相关的代码,这种预测。我们表明,神经网络优于岭回归以及所有的Morbi-RSA模型的成本预测。此外,神经网络在预测费用变化的患者方面优于岭回归,并识别出更具体的代码。总之,我们证明了我们的深度神经网络可以利用患者记录的全部复杂性,并且优于标准方法。我们认为,更好的性能是由于能够将复杂的相互作用的模型,该模型也可用于预测其他健康表型。
2020-03-06 cs.CY cs.LG stat.ML
Time Series Prediction using Deep Learning Methods in Healthcare
Santa Clara University(圣克拉拉大学);University of Utah(犹他大学)
传统的机器学习方法在处理医疗保健预测分析任务时面临两个主要挑战。首先,医疗保健数据的高维性质需要劳动密集型和耗时的过程来为每个新任务选择适当的特征集。其次,这些方法依赖于特征工程来捕获患者数据的顺序性质,这可能不足以利用医疗事件的时间模式及其依赖性。最近的深度学习方法通过解决医疗数据的高维和时间挑战,在各种医疗保健预测任务中表现出了良好的性能。这些方法可以学习关键因素的有用表示(例如,医学概念或患者)以及它们与高维原始或最小处理的健康护理数据的交互。在本文中,我们系统地回顾了专注于推进和使用深度神经网络来利用患者结构化时间序列数据进行医疗保健预测任务的研究。为了识别相关研究,检索了MEDLINE、IEEE、Scopus和ACM数字图书馆中截至2021年2月7日发表的研究。我们发现,研究人员在十个研究流中为深度时间序列预测文献做出了贡献:深度学习模型,缺失值处理,不规则处理,患者表示,静态数据包含,注意力机制,解释,纳入医学本体,学习策略和可扩展性。这项研究总结了这些文献流的研究见解,确定了几个关键的研究差距,并提出了未来在患者时间序列数据中进行深度学习的研究机会。
2022-09-14 cs.LG
Handling temporality of clinical events with application to Adverse Drug Event detection in Electronic Health Records: A scoping review
Karolinska Institute(卡罗林斯卡学院)
电子健康记录(EHR)的日益普及改变了患者护理的方式。机器学习模型可以利用存储在EHR中的丰富的异构和时态数据空间来捕获底层信息并进行临床相关预测。这可用于支持药物警戒等公共卫生活动,特别是缓解药物不良事件(ADE)的公共卫生问题。本文的目的是,因此,调查的各种方式处理时间数据的目的检测ADE。基于对现有文献的回顾,从过去10年中选择了11篇文章进行研究。根据检索到的文献,发现主要的方法分为5种不同的方法:基于时间抽象,基于图,学习权重和包含不同长度的时间序列的数据表。为此,EHR是一个有价值的来源,导致目前的研究自动检测ADE。然而,仍然存在着大量的挑战,涉及到利用异构,数据类型的时间信息包括在EHR预测ADE。
2019-04-09 cs.LG stat.ML
Enhancing End Stage Renal Disease Outcome Prediction: A Multi-Sourced Data-Driven Approach
Carnegie Mellon University(卡内基梅隆大学)
本研究提出一种多源数据驱动框架,整合临床与理赔数据并利用LSTM等模型预测CKD进展为ESRD,实现AUC 0.93,并通过XAI与偏倚缓解策略改善临床决策。
2025-05-03 cs.LG q-bio.QM
Probabilistic learning to perform pre-onset individualised prediction of disease severity: application to Veno Occlusive Disease
University of York(约克大学)
提出一种新的概率监督学习方法,利用数字孪生和概率逆学习,在骨髓移植前自动预测静脉闭塞性疾病(VOD)的严重程度评分,辅助医生制定治疗方案。
2026-06-02 cs.LG q-bio.QM
Predicting assisted ventilation in Amyotrophic Lateral Sclerosis using a mixture of experts and conformal predictors
Universidade de Lisboa(里斯本大学);Instituto Superior Técnico(高等技术学院);Instituto de Medicina Molecular(分子医学研究所);Hospital de Santa Maria, CHLN(圣玛丽亚医院,CHLN)
肌萎缩侧索硬化症(ALS)是一种神经退行性疾病,其特征在于运动功能快速下降,导致呼吸衰竭并随后死亡。在这种情况下,研究人员一直在寻找模型来自动预测ALS患者辅助通气的疾病进展。然而,这种模型的临床转化受到以下因素的限制:1)缺乏对患者水平预测错误风险的认识,以及2)缺乏管理无创通气的最适当时间。为了解决这些问题,我们将共形预测(一种机器学习框架,用置信度测量补充预测)和混合专家组合成一个预后模型,该模型不仅预测ALS患者是否会患有呼吸功能不全,而且在给定的可靠性水平下预测最有可能发生的时间窗口。取得了令人鼓舞的结果,近80%的预测被正确识别。
2019-07-30 cs.LG stat.ML
Interpretable Segmentation of Medical Free-Text Records Based on Word Embeddings
University of Warsaw(华沙大学);Institute of Computer Science Polish Academy of Sciences(波兰科学院计算机科学研究所)
有类似情况的病人得到类似的诊断是真的吗?在本文中,我们展示了NLP方法和一个独特的文档语料库来验证这一说法。我们(1)介绍了一种基于医生记录的自由文本描述的医疗访问表示方法,(2)介绍了一种新的患者访问聚类方法,(3)给出了该方法在10万次访问语料库上的应用。与所提出的方法,我们得到了稳定的和分离的部分访问,对最终的医疗诊断进行了积极的验证。我们展示了如何提出的算法可以用来帮助医生在他们的实践。
2020-06-05 cs.CL cs.LG stat.ML