Diagnosis of Fuel Cell Health Status with Deep Sparse Auto-Encoder Neural Network
Hangzhou Dianzi University(杭州电子科技大学);Shanghai High School International Division(上海高中国际分校)
针对燃料电池高频阻抗在线检测难的问题,提出用深度稀疏自编码网络诊断健康状态,准确率超92%,部署于FPGA后硬件识别率近90%,为燃料电池健康状态高效检测提供方案。
2025-10-20 cs.AI cs.LG
SMART: Towards Pre-trained Missing-Aware Model for Patient Health Status Prediction
School of Computer Science, Peking University(北京大学计算机学院);National Research and Engineering Center of Software Engineering, Peking University(北京大学国家软件工程研究与工程中心);Center on Frontiers of Computing Studies, Peking University(北京大学计算前沿研究中心)
针对电子健康记录缺失数据导致预测效果不佳的问题,提出自监督缺失感知表示学习方法SMART,通过缺失感知注意力与潜在空间重构的预训练提升预测性能,在6项EHR任务上优于现有最优方法。
2024-05-15 cs.LG
Graph Attention Networks Unveil Determinants of Intra- and Inter-city Health Disparity
Texas A&M University(德克萨斯农工大学);Clemson University(克莱姆森大学)
了解造成城市健康状况差异的决定因素,对于为城市设计和规划以及公共卫生政策提供信息十分重要。多种异质性的城市特征可以调节城市不同社区和不同城市之间的疾病流行。本研究探讨了与社会人口统计学,人口活动,流动性和建筑环境及其非线性相互作用相关的异质性特征,以研究城市内和城市间四种疾病类型患病率的差异:肥胖,糖尿病,癌症和心脏病。与人口活动,流动性和设施密度相关的特征是从大规模匿名流动数据中获得的。这些特征用于训练和测试图注意力网络(GAT)模型,以捕获非线性特征交互以及邻域之间的空间相互依赖性。我们在美国五个城市的四种疾病类型中测试了这些模型。结果表明,GAT模型可以预测居民健康状况的前五个决定因素的基础上,在社区。研究结果揭示了人口活动和建筑环境特征以及社会人口特征在很大程度上区分了社区的健康状况,以至于GAT模型可以使用这些特征高精度地预测健康状况。结果还表明,在一个城市训练的模型可以预测另一个城市的健康状况,准确率很高,使我们能够量化城市间健康状况的相似性和差异。该模型和研究结果为城市设计师,规划师和公共卫生官员提供了新的方法和见解,通过考虑重要的决定因素及其相互作用,更好地了解和改善城市中的健康差异。
2022-10-20 cs.CY cs.LG
Transfer learning to enhance amenorrhea status prediction in cancer and fertility data with missing values
University of Melbourne(墨尔本大学)
收集用于健康和医学问题的足够的标记训练数据是困难的(Antropova等人,2018年)。此外,缺失值在健康和医疗数据集中是不可避免的,解决不充分的实例和缺失引起的问题并不简单(Snell等人,2017年,Sterne等人,2009年)。然而,机器学习算法在许多现实世界的医疗保健问题中取得了重大成功,例如回归和分类,这些技术可能是解决这些问题的一种方法。
2020-12-01 cs.LG
FedMentalCare: Towards Privacy-Preserving Fine-Tuned LLMs to Analyze Mental Health Status Using Federated Learning Framework
University of Maryland Baltimore County(马里兰大学巴尔的摩县分校)
FedMentalCare通过联邦学习与低秩适应技术,在保护隐私的同时微调大语言模型,用于分析心理健康状况,提升心理健康护理的可行性和安全性。
2026-01-24 cs.CL cs.HC cs.LG
Heterogeneous Federated Learning System for Sparse Healthcare Time-Series Prediction
National Taiwan University(台湾大学);Silesian University of Technology(西里西亚工业大学)
本文提出一种异构联邦学习系统,通过稠密/稀疏特征张量处理稀疏医疗时间序列,实现异步网络共享与知识迁移,在多数任务上显著降低预测误差。
2025-01-21 cs.LG
HTPS: Heterogeneous Transferring Prediction System for Healthcare Datasets
National Taiwan University(国立台湾大学);Western Norway University of Applied Sciences(西挪威应用科学大学);Silesian University of Technology(西里西亚工业大学)
针对医疗数据高稀疏性与异构性问题,提出融合特征工程与自编码器嵌入网络的异构迁移预测系统HTPS,在多任务多数据集上性能优于基准系统,具备强迁移能力。
2023-05-02 cs.LG
Data-Driven Prediction of Maternal Nutritional Status in Ethiopia Using Ensemble Machine Learning Models
Injibara University(因吉巴拉大学)
本研究利用埃塞俄比亚人口与健康调查数据,通过集成机器学习模型预测孕产妇营养状况,其中Random Forest以97.87%准确率实现四分类,为营养风险早期检测提供数据驱动支持。
2025-09-18 cs.LG
Annotating Social Determinants of Health Using Active Learning, and Characterizing Determinants Using Neural Event Extraction
University of Washington(华盛顿大学)
健康的社会决定因素(SDOH)影响健康结果,SDOH的知识可以为临床决策提供信息。从临床文本中自动提取SDOH信息需要在注释语料库上训练的数据驱动的信息抽取模型,这些语料库是异构的并且经常包括关键SDOH。这项工作提出了一个新的语料库与SDOH注释,一个新的主动学习框架,并在新的语料库的第一个提取结果。社会历史注释语料库(SHAC)包括4,480个社会历史部分,详细注释了12个SDOH,描述了18 K个不同事件的状态,程度和时间信息。我们介绍了一种新的主动学习框架,选择样本的注释使用代理文本分类任务作为一个更复杂的事件提取任务的代理。主动学习框架成功地增加了健康风险因素的频率,并在无向注释上改进了这些事件的自动提取。在SHAC上训练的事件提取模型在来自三个机构的数据上实现了物质使用状态(0.82-0.93 F1)、就业状态(0.81-0.86 F1)和生活状态类型(0.81-0.93 F1)的高提取性能。
2020-12-02 cs.CL cs.LG
A hybrid model for predicting human physical activity status from lifelogging data
University of Lincoln(林肯大学);University of Glasgow(格拉斯哥大学);Inception Institute of Artificial Intelligence(因赛普申人工智能研究院)
最近医疗保健转型的一个趋势是鼓励人们根据日常饮食和体育活动习惯来监测和管理他们的健康。然而,在医疗保健中使用运筹学和分析模型的注意力已经转移到系统层面,如国家或区域政策制定或组织问题。本文提出了一种与个人层面的医疗分析相关的模型,该模型可以从可穿戴传感器收集的连续生命记录数据中预测人类的身体活动状态。该模型具有两阶段混合结构(简称MOGP-HMM)--在第一阶段中使用多目标遗传编程(MOGP)算法来降低生命记录数据的维度,在第二阶段中使用隐马尔可夫模型(HMM)来预测随时间的活动状态。它可以作为一种决策支持工具,为个人提供实时监测、统计分析和个性化建议,鼓励对健康生活方式的积极态度。我们验证了从一组参与者在英国收集的真实数据的模型,并将其与其他流行的两阶段混合模型。我们的实验结果表明,MOGP-HMM可以达到相当的性能。据我们所知,这是第一个研究,使用混合两阶段结构的MOGP个人的活动状态预测。它与英国医疗保健转型的患者赋权的当前趋势无缝契合,并有助于更有效和更具成本效益的医疗保健服务的战略发展。
2019-12-12 cs.CY cs.LG cs.NE
Maternal and Fetal Health Status Assessment by Using Machine Learning on Optical 3D Body Scans
利用3D身体扫描数据和机器学习方法,预测不良妊娠结局并估计胎儿体重,准确率优于传统方法。
2025-12-02 cs.LG
Semi-supervised Learning with Deep Generative Models for Asset Failure Prediction
Big Data Tech. Lab(大数据技术实验室);SK Telecom(SK电讯)
这项工作提出了一种新的半监督学习方法的数据驱动的资产故障时,健康状况只有部分已知的历史数据建模。我们将深度神经网络参数化的生成模型与非线性嵌入技术相结合。它使我们能够建立预测模型与健康状态信息的数量有限的未来资产可靠性的精确预测。所提出的方法进行评估的剩余使用寿命(RUL)估计,这表明显着的改善,即使当一小部分的数据与已知的健康状态是稀疏的1%的总数。我们的研究表明,基于深度生成模型的非线性嵌入可以有效地正则化具有深度架构的复杂模型,同时实现高预测精度,对健康状态信息的可用性不太敏感。
2017-09-04 cs.LG
Mining Heterogeneous Multivariate Time-Series for Learning Meaningful Patterns: Application to Home Health Telecare
在过去的几年里,时间序列挖掘已经成为研究人员的一个具有挑战性的问题。一个重要的应用在于大多数监控目的,这需要分析大量的时间序列来学习通常的模式。任何偏离该学习到的配置文件的情况都被认为是意外情况。此外,复杂的应用程序可能涉及到几个异构参数的时间研究。在这篇论文中,我们提出了一种方法来挖掘异构多元时间序列学习有意义的模式。所提出的方法允许混合的时间序列-包含模式和非模式数据-如不精确的匹配,离群值,拉伸和全球翻译的模式实例的时间。我们提出的早期结果,我们的方法在监测一个人在家里的健康状况的背景下。目的是通过分析通过安装在家中的传感器记录的几个定量或定性参数的时间变化来建立人的行为特征。
2004-12-01 cs.LG
AI-Driven Health Monitoring of Distributed Computing Architecture: Insights from XGBoost and SHAP
University of Southern California(南加州大学);Northeastern University(东北大学);Western University(西安大略大学);Columbia University(哥伦比亚大学)
本文提出基于XGBoost与SHAP的边缘计算节点健康判断方法,解决了传统方法缺乏准确性与可解释性的问题,实现了高精度判别与直观解释,为系统优化提供数据支持。
2024-12-16 cs.DC cs.LG
An Oversampling-enhanced Multi-class Imbalanced Classification Framework for Patient Health Status Prediction Using Patient-reported Outcomes
University of Texas at El Paso(得克萨斯大学埃尔帕索分校)
针对放疗癌症患者报告结局数据不完整和多类不平衡问题,提出一种结合过采样策略与六种机器学习分类器的预测框架,实验表明Random Forest和XGBoost在健康状况分类中表现稳健,具有临床应用潜力。
2024-11-16 cs.LG
Time-Guided High-Order Attention Model of Longitudinal Heterogeneous Healthcare Data
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学)
由于电子病历数据分析在慢性病管理和个性化医疗方面的潜在应用,引起了研究者和实践者的广泛关注。纵向异构EHR数据建模面临三个主要挑战:异构性、不规则时间性和可解释性。一系列深度学习方法在解决这些挑战方面取得了显著进展。然而,大多数现有的注意力模型依赖于捕捉特征元素之间的一阶时间依赖关系或二阶多模态关系。在本文中,我们提出了一个时间引导的高阶注意(TGHOA)模型。该方法有三大优点。(1)它可以通过捕获不同模态的三阶相关性和历史事件的不规则时间影响来建模纵向异构EHR数据。(2)它可用于识别医疗特征的潜在问题,以解释医疗保健模型的推理过程。(3)它可以很容易地扩展到更多模态的情况下,并灵活地应用于不同的预测任务。我们在两个真实世界的EHR数据集上评估了所提出的方法在死亡率预测和疾病排名两个任务中的效果。大量的实验结果表明了该模型的有效性。
2019-11-28 cs.LG
CNA: An AI-Oriented Comprehensive Normalized Assessment for Healthy Status and Application to Optimize RRT Strategies by Reinforcement Learning
Chongqing Institute of Green and Intelligent Technology, CAS(中国科学院重庆绿色智能技术研究院);Chongqing School, University of Chinese Academy of Sciences(中国科学院大学重庆学院);Department of Anesthesiology, Southwest Hospital, Third Military Medical University (Army Medical University)(陆军军医大学(第三军医大学)西南医院麻醉科);College of Computer and Information Science, Southwest University(西南大学计算机与信息科学学院);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所)
针对RRT策略优化中数据异质与缺失问题,提出面向AI的CNA健康评估,结合23维状态与矩阵分解,通过离线强化学习将死亡率降低62.24%,住院时间缩短18.93%。
2026-09-22 cs.LG stat.ML
Aggregate-Eliminate-Predict: Detecting Adverse Drug Events from Heterogeneous Electronic Health Records
我们研究了电子病历中药物不良事件的检测问题。这项工作的挑战是聚合涉及诊断代码、药物代码以及实验室测量的异构数据类型。针对同一问题提出的早期框架通过仅使用实验室测量作为数据特征来展示随机森林分类器的有希望的预测性能。我们扩展了这一框架,另外包括诊断和药物处方代码,同时。此外,我们在顶部采用递归特征选择机制,提取前k个最重要的特征。我们对药物不良事件的五个医学数据集和六个不同分类器的实验评估表明,这些额外特征的整合在AUC方面提供了实质性和统计学显著的改善,同时采用医学相关特征。
2019-07-13 cs.CY cs.LG stat.ML
A Heterogeneous Long-Micro Scale Cascading Architecture for General Aviation Health Management
本文提出一种异构级联架构,通过分离全局异常检测与微尺度故障分类,解决接收场悖论,提升航空设备健康管理的准确性和效率。
2026-04-22 cs.LG
Unifying Heterogeneous Electronic Health Records Systems via Text-Based Code Embedding
KAIST(韩国科学技术院);MIT(麻省理工学院);Asan Medical Center(峨山医学中心);University of Ulsan College of Medicine(蔚山大学医学院)
电子健康记录(EHR)使用的大幅增加为预测性医疗保健开辟了新的领域。然而,虽然EHR系统几乎无处不在,但它们缺乏表示医学概念的统一代码系统。EHR的异构格式对大规模训练和部署最先进的深度学习模型构成了实质性障碍。为了克服这个问题,我们引入了基于描述的嵌入,DescEmb,代码不可知的基于推理的表示学习框架的预测建模EHR。DescEmb利用了神经语言理解模型的灵活性,同时保持了一种中立的方法,可以与特定任务表示学习或预测建模的先前框架相结合。我们在各种实验中测试了我们的模型的能力,包括预测任务,迁移学习和池化学习。与基于代码的方法相比,DescEmb在整体实验中表现出更高的性能,为预测医疗保健研究中基于文本的方法打开了大门,该方法不受EHR结构或特殊领域知识的限制。
2022-03-18 cs.LG cs.NE
Heterogeneous Treatment Effect Estimation using machine learning for Healthcare application: tutorial and benchmark
University of Texas Health Science Center at Houston(德克萨斯大学休斯顿健康科学中心)
针对靶向疾病开发新药是一项耗时且昂贵的任务,药物再利用已成为药物开发领域的热门话题。随着越来越多的健康声明数据的可用,已经对这些数据进行了许多研究。真实世界的数据是嘈杂的,稀疏的,有许多混杂因素。此外,许多研究表明,药物的效果在人群中是异质性的。近年来出现了许多先进的估计异质性处理效应的机器学习模型,并在计量经济学和机器学习领域得到了广泛的应用。这些研究承认医学和药物开发是主要的应用领域,但从HTE方法到药物开发的转化研究有限。我们的目标是将HTE方法引入医疗保健领域,并在将该方法与医疗保健行政索赔数据的基准实验进行翻译时提供可行性考虑。此外,我们希望使用基准实验来说明如何解释和评估模型时,它被应用于医疗保健研究。通过将最近的HTE技术介绍给生物医学信息学社区的广泛读者群,我们期望促进使用机器学习的因果推理的广泛采用。我们还期望提供个性化药物有效性的HTE的可行性。
2023-02-21 cs.IR cs.LG stat.AP
IIoT-Enabled Health Monitoring for Integrated Heat Pump System Using Mixture Slow Feature Analysis
Singapore University of Technology and Design(新加坡科技设计大学);University of Queensland(昆士兰大学)
传感技术的持续发展和通信技术的进步已经彻底改变了各种电气设备的性能和健康管理,使其朝着数据驱动的方向发展。这场革命为热泵(HP)系统的健康监测问题提供了一个有前途的解决方案,热泵系统是现代建筑中广泛部署的重要设备,用于供暖,以及时评估其运行状态,避免意外停机。许多HP实际上是在多年前制造和安装的,由于当时的技术限制和成本控制,导致可用的传感器较少。它提出了一个难题,以负担得起的成本保护惠普。我们提出了一种混合方案,通过集成工业物联网(IIoT)和智能健康监测算法来应对这一挑战。首先,构建一个IIoT网络来感测和存储测量结果。具体地,温度传感器被适当地选择并部署在水箱的入口和出口处以测量水温。其次,利用温度信息,提出了一种无监督学习算法混合慢特征分析(MSFA),以及时评估集成HP的健康状况。由于热水需求的变化,不同的HP频繁的操作开关的特点,观察到不同的加热速度的各种加热模式。慢度是衡量稳态分布变化速度的一种动力学指标,MSFA在加热模式划分和健康评价中均适当考虑了慢度的影响。最后,所提出的方法的有效性进行了验证,通过一个真正的集成HP与五个连接的HP安装十年前。实验结果表明,MSFA是能够准确地识别系统的健康状态,特别是在初始阶段的故障相比,其竞争算法。
2021-04-20 cs.LG
TSFM in-context learning for time-series classification of bearing-health status
Siemens AG Data & Artificial Intelligence(西门子AG数据与人工智能);Faculty of Mathematics Informatics and Statistics(数学信息统计系);Ludwig-Maximilians-University Munich(慕尼黑路德维希-马克西米利安大学);Faculty of Electrical Engineering(电气工程系);University of Montenegro(蒙特内格罗大学)
本文提出基于时间序列基础模型的上下文学习方法,用于滚动轴承健康状态分类,通过伪时间序列模式预测类别概率,提升维护系统的智能化水平。
2026-03-10 cs.AI cs.LG
Federated Learning for Heterogeneous Electronic Health Record Systems with Cost Effective Participant Selection
KAIST(韩国科学技术院);Graduate School of AI(人工智能研究生院)
本文提出EHRFL框架,通过文本基于的EHR建模和差分隐私的参与者选择策略,在预算内构建机构特定的预测模型,提高异构EHR系统的兼容性和效率。
2026-01-29 cs.LG
A Federated Learning-based Industrial Health Prognostics for Heterogeneous Edge Devices using Matched Feature Extraction
Singapore University of Technology and Design(新加坡科技设计大学);Centre for Frontier AI Research, Agency for Science, Technology and Research (A*STAR)(新加坡科技研究局(A*STAR)前沿人工智能研究中心);Chongqing University(重庆大学);Nanyang Technological University(南洋理工大学)
针对边缘设备数据异构性挑战,提出一种基于特征相似度匹配参数聚合的联邦学习工业健康预测模型,通过选择性平均相似神经元保留本地特征,在电池和发动机数据上显著提升了预测精度。
2023-05-18 cs.AI cs.LG
Unifying Heterogeneous Electronic Health Records Systems via Text-Based Code Embedding
Graduate School of AI, KAIST(韩国科学技术院人工智能研究生院);MIT(麻省理工学院);Asan Medical Center, University of Ulsan College of Medicine(蔚山大学医学院峨山医学中心)
EHR系统缺乏表示医学概念的统一代码系统,这成为将深度学习模型大规模部署到多个诊所和医院的障碍。为了克服这个问题,我们引入了基于描述的嵌入,DescEmb,代码不可知的表示学习框架EHR。DescEmb利用神经语言理解模型的灵活性,使用文本描述嵌入临床事件,而不是直接将每个事件映射到专用嵌入。DescEmb在广泛的实验中表现优于传统的基于代码的嵌入,特别是在zero-shot转移任务(从一家医院到另一家医院)中,并且能够为异构EHR数据集训练单个统一模型。
2022-01-17 cs.CL cs.LG
Heterogeneous network approach to predict individuals' mental health
University of Notre Dame(圣母大学);University of California, Los Angeles(加州大学洛杉矶分校)
抑郁和焦虑是影响世界各地数百万人的关键公共卫生问题。为了识别易患抑郁症和焦虑症的个体,已经建立了通常利用来自一个来源的数据的预测模型。与这些传统模型不同,在这项研究中,我们利用了圣母大学NetHealth研究中丰富的异构数据集,该研究通过智能手机收集了个人(学生参与者)的社交互动数据,通过可穿戴设备(Fitbit)收集了与健康相关的行为数据,以及来自调查的特质数据。为了整合不同类型的信息,我们将NetHealth数据建模为异构信息网络(HIN)。然后,我们以一种新的方式重新定义了预测个人心理健康状况(抑郁或焦虑)的问题,将推荐系统(RS)的流行范式应用于我们的HIN,该系统通常用于预测一个人对某个项目的偏好(例如,电影或书)。在我们的例子中,这些项目是个人不同的心理健康状态。我们评估了四种最先进的RS方法。此外,我们将个人心理健康的预测建模为另一种问题类型-HIN中的节点分类(NC),在逻辑回归下评估四个节点特征作为概念验证分类器。我们发现,我们的RS和NC网络方法比使用传统非网络方式以及随机方法的相同NetHealth数据的逻辑回归模型产生更准确的预测。此外,我们发现,最好的考虑RS的方法优于所有考虑NC方法。这是第一项以HIN方式整合智能手机,可穿戴传感器和调查数据,并在HIN上使用RS或NC来预测个人心理健康状况的研究。
2020-01-13 cs.LG cs.SI stat.ML
Using Convolutional Variational Autoencoders to Predict Post-Trauma Health Outcomes from Actigraphy Data
Georgia Institute of Technology(佐治亚理工学院);Google X Development LLC(Google X 开发有限责任公司);Emory University(埃默里大学);University of California San Francisco(加州大学旧金山分校);University of North Carolina(北卡罗来纳大学)
抑郁症和创伤后应激障碍(PTSD)是通常与经历创伤事件相关的精神疾病。通过基于活动的算法等非侵入性技术估计心理健康状况可以帮助确定成功的早期干预措施。在这项工作中,我们使用了1113名创伤后佩戴研究级智能手表的人的运动活动。卷积变分自编码器(VAE)架构用于从四周的体动记录数据中进行无监督特征提取。通过使用VAE潜变量和参与者的创伤前身体健康状况作为特征,逻辑回归分类器实现了0.64的受试者工作特征曲线(AUC)下的面积来估计心理健康结果。结果表明,VAE模型是一种有前途的方法,在长期研究的心理健康结果的体动记录数据分析。
2020-11-20 cs.LG eess.SP
Generation of Differentially Private Heterogeneous Electronic Health Records
ETH Zurich(苏黎世联邦理工学院)
电子健康记录(EHR)通常被机器学习社区用于研究与医疗保健和医学特别相关的问题。EHR的优点是它们可以很容易地分布,并包含许多有用的功能,例如分类问题。EHR数据集与典型的机器学习数据集的不同之处在于,由于其高维性,它们通常非常稀疏,并且通常包含异构(混合)数据类型。此外,数据集处理敏感信息,由于隐私问题,这限制了使用它们学习的任何模型的分布。由于这些原因,在实践中使用EHR数据提出了一个真正的挑战。在这项工作中,我们探索使用生成对抗网络来生成合成的异构EHR,目标是使用这些合成记录代替现有的数据集进行下游分类任务。我们将进一步探索应用差分隐私(DP)保护优化,以产生DP合成EHR数据集,提供严格的隐私保证,因此在现实世界中是可共享和可用的。当在二进制分类任务中进行测试时,我们模型的合成异构数据的性能(由AUROC,AUPRC和准确性测量)非常接近非DP模型的原始数据集(在基线的3 - 5%内)。使用强大的$(1, 10^{-5})$ DP,我们的模型仍然产生对机器学习任务有用的数据,尽管在我们测试的分类任务中会导致大约17%的性能损失。我们还进行了亚群分析,发现我们的模型在非DP或DP变体的分类性能方面,与男性/女性人群或0-18岁、19-50岁和51岁以上年龄组的基线相比,不会在合成EHR数据中引入任何偏倚。
2020-06-05 cs.LG stat.ML
Dynamic Uncertainty-aware Multimodal Fusion for Outdoor Health Monitoring
Hong Kong JC STEM Lab of Smart City and Department of Computer Science, City University of Hong Kong(香港JC STEM实验室及城市大学计算机科学系)
针对户外健康监测中多模态大语言模型面临的输入与波动噪声、多模态融合不鲁棒及缺失数据恢复难等挑战,提出一种不确定性感知多模态融合框架DUAL-Health,通过量化模态不确定性定制融合权重并对齐模态分布,显著提升了检测准确性与鲁棒性。
2025-08-12 cs.AI cs.LG cs.NI
A latent topic model for mining heterogenous non-randomly missing electronic health records data
MIT(麻省理工学院)
电子健康档案(EHR)是病人健康信息的丰富、异构的集合,它的广泛应用为系统化的健康数据采掘提供了巨大的机遇。然而,异构的EHR数据类型和有偏的确定施加计算挑战。在这里,我们提出了mixEHR,一个无监督的生成模型,集成了协同过滤和潜在主题模型,它使用潜在疾病主题分布联合建模数据观察偏差和实际数据的离散分布。我们将mixEHR应用于来自MIMIC数据集的1280万个表型观察结果,并使用它来揭示潜在的疾病主题,解释EHR结果,估算缺失数据,并预测重症监护病房的死亡率。使用模拟和真实数据,我们表明mixEHR优于以前的方法,并揭示了有意义的多疾病见解。
2018-11-01 cs.LG stat.ML
Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones
University of Rochester(罗切斯特大学)
本文提出利用 Transformer 注意力机制分析 mPower 数据集中 487 名帕金森病患者的智能手机时间序列记录,实现三种用药状态的个性化远程预测,AUC 最高达 0.976。
2023-05-30 cs.AI cs.LG
Recurrent Neural Networks based Obesity Status Prediction Using Activity Data
Samsung Research America(三星美国研究院);Lehigh University(里海大学)
肥胖是一个严重的全球性公共卫生问题,它增加了许多疾病的风险,包括高血压、中风和2型糖尿病。为了解决这个问题,整个健康生态系统的研究人员正在收集各种类型的数据,包括生物医学,行为和活动,并利用机器学习技术来挖掘隐藏的模式,以预测肥胖状况的改善。虽然现有的机器学习方法,如循环神经网络(RNN)可以提供特殊的结果,它是具有挑战性的发现隐藏模式的顺序数据,由于不规则的观察时间实例。同时,对这些学习模型有效性的理解不足也限制了其体系结构的进一步改进。因此,在这项工作中,我们开发了一种基于RNN的时间感知架构,以解决处理不规则观察时间和从纵向患者记录中提取相关特征提取以预测肥胖状态改善的挑战性问题。为了提高预测性能,我们使用两个数据源训练我们的模型:(i)包含有关实验室测试,诊断和人口统计信息的电子医疗记录;(ii)从流行的可穿戴设备收集的连续活动数据。真实世界数据的评估表明,我们提出的方法可以捕捉用户的时间序列的不规则性的底层结构,并实现了77-86%的准确率预测肥胖状态的改善。
2018-09-20 cs.LG stat.ML
Graph Vector Field: A Unified Framework for Multimodal Health Risk Assessment from Heterogeneous Wearable and Environmental Data Streams
Università degli Studi Guglielmo Marconi, Roma, Italy(意大利罗马古列尔莫·马可尼大学);Chelonia SA, Lugano, Switzerland(瑞士卢加诺Chelonia SA)
本文提出图向量场框架,通过结合离散微分几何算子与模态结构混合专家,统一多模态健康风险评估,实现可解释的模态解析风险建模。
2026-03-30 cs.LG
Then and Now: Quantifying the Longitudinal Validity of Self-Disclosed Depression Diagnoses
Johns Hopkins University(约翰斯·霍普金斯大学)
自我披露的心理健康诊断,在没有临床措施的情况下作为心理健康状况的地面实况注释,支持了过去十年来大多数心理健康语言计算研究背后的结论。然而,精神状况是动态的;先前的抑郁症诊断可能不再表明一个人的心理健康,无论是由于治疗或其他缓解因素。我们问:随着时间的推移,心理健康诊断的自我披露实际上在多大程度上是相关的?我们分析了五年前在社交媒体上披露抑郁症诊断的个人最近的活动,反过来,对社交媒体上的心理健康状况如何纵向表现有了新的理解。我们还提供了更多的证据,证明使用自我披露的诊断来管理的数据集中存在与个性相关的偏见。我们的研究结果激发了三个实用的建议,以改善使用自我披露的诊断策划的心理健康数据集:1)注释诊断日期和精神病合并症; 2)使用倾向评分匹配的样本对照组; 3)识别和删除由选择偏差引入的虚假相关性。
2022-06-22 cs.CL cs.CY cs.LG
Privacy-Preserving Heterogeneous Federated Learning for Sensitive Healthcare Data
Kyushu University(九州大学);The University of Auckland(奥克兰大学);RIKEN(理化学研究所)
本文提出 Abstention-Aware Federated Voting (AAFV) 框架,通过弃权(不执行)感知投票和差分隐私机制,在保护数据隐私和模型机密性的同时协作训练异构本地模型,并在医疗预测任务上验证其有效性。
2024-07-04 cs.AI cs.CR cs.LG
TriCon-SF: A Triple-Shuffle and Contribution-Aware Serial Federated Learning Framework for Heterogeneous Healthcare Data
School of Engineering Westlake University Hangzhou 310030, China(工程学院 西湖大学 杭州 310030, 中国)
TriCon-SF通过三重洗牌和贡献感知机制,在串行联邦学习中增强隐私鲁棒性并检测恶意客户端,在非IID医疗数据上提升准确性和通信效率。
2025-06-20 cs.AI cs.LG
Hybrid(Penalized Regression and MLP) Models for Outcome Prediction in HDLSS Health Data
Department of Mechanical Engineering, Indian Institute of Technology Bombay(机械工程系,印度理工学院班加罗尔)
本文提出了一种结合惩罚回归和MLP的混合模型,用于预测HDLSS健康数据中的糖尿病状态,实验显示其在AUC和平衡准确性上优于传统基线模型。
2025-12-02 cs.LG
FedMentor: Domain-Aware Differential Privacy for Heterogeneous Federated LLMs in Mental Health
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)
FedMentor通过整合LoRA和域感知差分隐私,实现对心理健康领域异构联邦大语言模型的隐私保护微调,提升安全性并保持模型效用。
2026-01-24 cs.AI cs.CL cs.CR
Federated Survival Analysis in Healthcare: A Multi-Model Evaluation on Cross-Institutional Heterogeneous Breast Cancer Data
University of Oulu(奥卢大学);University of Deusto(德乌斯托大学)
本文在跨机构异质性乳腺癌数据上系统评估了三种生存模型(Cox比例风险、DeepSurv、随机生存森林)和三种联邦优化策略(FedAvg、FedProx、FedAdam),发现联邦学习优于本地训练且接近集中式性能,随机生存森林在区分度、校准度和鲁棒性上最佳,并给出了实践指南。
2026-06-24 cs.LG q-bio.QM stat.ME
Discovering heterogeneous subpopulations for fine-grained analysis of opioid use and opioid use disorders
美国的阿片类药物流行病每年夺去4万多人的生命,据估计,超过200万美国人患有阿片类药物使用障碍。处方类阿片的过度处方和滥用在这一流行病中发挥了重要作用。被处方阿片类药物和被诊断患有阿片类药物使用障碍的个人具有不同的潜在健康状态。针对处方阿片类药物使用,阿片类药物使用障碍和过量的政策干预往往无法解释这种变化。为了识别与阿片类药物使用和阿片类药物使用障碍相关的潜在健康状态或表型,我们使用概率主题建模,并从全州范围内服用阿片类药物的个体人群中获得医疗诊断史。我们证明了我们学习的表型可以预测未来阿片类药物使用相关的结果。此外,我们展示了学习的表型如何为阿片类药物处方的变异性提供重要的背景。了解个人健康状况和处方阿片类药物使用的异质性有助于确定政策干预措施,以解决这一公共卫生危机。
2019-05-01 cs.LG q-bio.QM stat.ML
Interpretable Machine Learning for Air Pollution and Respiratory Health Prediction: A Socioeconomic Subgroup Analysis
研究利用结构化国家层面每周数据,通过可解释机器学习框架预测呼吸疾病率和空气质量状况,比较多种回归和分类模型,经SHAP值解释及亚组分析发现PM2.5是主要预测因子,表明仅模型准确性不足以进行气候 - 健康预测,可解释模型有重要作用。
2026-07-21 cs.LG
Explainable Detection of Depression Status Shifts from User Digital Traces
DIMES, University of Calabria(DIMES,卡塔尔大学)
本文提出一个可解释框架,通过结合多个BERT模型提取多维信号,构建用户轨迹以识别抑郁状态转变,利用大语言模型生成可读报告,提升解释性。
2026-05-14 cs.AI cs.CL cs.LG
Mixed Pooling Multi-View Attention Autoencoder for Representation Learning in Healthcare
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Amazon(亚马逊);Northwestern University(西北大学)
最近,分布式表示已被用于支持医疗保健中的下游任务。医疗保健数据(例如,电子健康记录)包含来自异质源的多种数据模态,其可以提供补充信息,以及学习个性化患者表示的附加维度。为此,在本文中,我们提出了一种新的无监督编码器-解码器模型,即混合池多视图注意力自动编码器(MPVAA),它生成患者表示封装了他们的医疗概况的整体视图。具体而言,首先学习个性化的图形嵌入属于每个病人的异构医疗保健数据,然后通过多视图注意力机制,将它们之间的非线性关系集成到一个统一的表示。此外,在编码步骤中引入了混合池策略,以学习特定于每个数据模态的各种信息。针对多个任务进行的实验证明了所提出的模型在医疗保健领域最先进的表示学习方法中的有效性。
2019-10-14 cs.AI cs.LG stat.ML
Unsupervised Probabilistic Models for Sequential Electronic Health Records
Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);Kaiser Permanente Division of Research(凯撒永久医疗研究部)
我们开发了一个非监督的概率模型异构电子健康记录(EHR)数据。利用混合模型配方,我们的方法直接模型序列的任意长度,如药物和实验室结果。这允许对异构数据类型下的动态进行分组和合并。该模型由一组分层的潜在变量组成,这些变量对数据中的底层结构进行编码。这些变量表示顶层的受试者亚组,以及第二层中序列的未观察状态。我们训练这个模型的事件数据从受试者接受医疗保健凯萨永久北加州综合医疗保健提供系统。训练模型的结果属性从这些复杂和多方面的数据中产生了新的见解。此外,我们展示了如何使用该模型来分析有助于评估死亡率可能性的序列。
2022-08-31 cs.LG q-bio.QM
Generating Benchmark Health Data Using a Tabular Diffusion Transformer
针对现有合成表格数据生成方法难以处理多异构表格的局限,本文提出两阶段跨表格数据生成框架,结合扩散Transformer实现高保真合成数据生成,验证了其有效性。
2026-08-17 cs.AI cs.LG
Multimodal Interpretable Data-Driven Models for Early Prediction of Antimicrobial Multidrug Resistance Using Multivariate Time-Series
Rey Juan Carlos University(胡安卡洛斯国王大学);University Hospital of Fuenlabrada(芬拉夫拉达大学医院)
本研究提出融合静态数据与多变量时间序列的可解释多模态DNN模型,用于ICU中抗菌药物多药耐药性早期预测,兼具预测效果与可解释性,方法可推广至其他EHR相关临床问题。
2024-03-08 cs.LG q-bio.QM
Applying data technologies to combat AMR: current status, challenges, and opportunities on the way forward
Imperial College London(伦敦帝国理工学院);University of Birmingham(伯明翰大学);London School of Hygiene and Tropical Medicine(伦敦卫生与热带医学院);Royal Caleb Pharmacy(Royal Caleb药房);Sumy State University(苏梅州立大学);CSIRO(澳大利亚联邦科学与工业研究组织);Macquarie University(麦考瑞大学);Ares Genetics GmbH(Ares Genetics有限责任公司);Westview High School(西景高中)
抗菌素耐药性(AMR)是一个日益严重的公共卫生威胁,据估计,到2050年,每年将导致超过1000万人死亡,并使全球经济损失100万亿美元。这些损失主要是由于治疗失败导致的发病率和死亡率增加、医疗程序中的AMR感染以及AMR导致的生活质量下降。已经提出了许多干预措施来控制AMR的发展并减轻其传播带来的风险。本文综述了细菌AMR管理和控制的关键方面,这些方面必须利用数据技术,如人工智能,机器学习,数学和统计建模,这些领域在本世纪得到了迅速发展。尽管数据技术已成为生物医学研究的一个组成部分,但其对AMR管理的影响仍然有限。我们概述了使用数据技术来对抗AMR,详细介绍了四个互补类别的最新进展:监测,预防,诊断和治疗。我们概述了当前AMR控制方法在生物医学研究,临床实践和“一个健康”背景下使用数据技术。我们讨论了在高收入以及低收入和中等收入国家更广泛地实施数据技术所面临的潜在影响和挑战,并建议采取具体行动,使这些技术更容易地融入医疗保健和公共卫生部门。
2022-08-11 cs.AI cs.CY cs.LG
Depression Status Estimation by Deep Learning based Hybrid Multi-Modal Fusion Model
University of Cambridge(剑桥大学);Indian Institute of Technology Madras(马德拉斯印度理工学院);Indian Institute of Technology Patna(巴特那印度理工学院);Indian Institute of Technology Bombay(孟买印度理工学院);Jawaharlal Nehru Tropical Botanic Garden and Research Institute(贾瓦哈拉尔·尼赫鲁热带植物园与研究所)
轻度抑郁症的初步检测可以极大地帮助有效治疗常见的心理健康障碍。由于缺乏适当的认识,以及社会上存在的大量污名和误解,心理健康状况评估已成为一项真正困难的任务。由于人与人之间的性格水平特征存在巨大差异,传统的深度学习方法无法在现实世界中推广。在我们的研究中,我们的目标是创建一个人类联盟的人工智能工作流程,可以有效地适应特定的用户,并在现实世界中有效地执行。我们提出了一种混合深度学习方法,该方法结合了一次性学习的本质,经典的监督深度学习方法和人类相关的适应性交互。为了捕获最大的信息并进行有效的诊断,使用了视频、音频和文本形式。我们的混合融合模型在数据集上实现了96.3%的高准确率;并达到了0.9682的AUC,这证明了其在复杂的现实世界场景中区分类别的鲁棒性,确保在诊断过程中不会遗漏任何轻度抑郁症病例。所提出的方法部署在一个基于云的智能手机应用程序的鲁棒性测试。通过用户特定的调整和最先进的方法,我们提供了一个最先进的模型,具有用户友好的体验。
2020-11-30 cs.LG
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
Dynamic Healthcare Embeddings for Improving Patient Care
University of Iowa(爱荷华大学)
随着医院逐步实现计算系统的自动化和集成,越来越多的细粒度医院运营数据变得可用。这些数据包括医院建筑图纸、患者与医疗保健专业人员之间的交互日志、处方数据、程序数据以及患者入院、出院和转院的数据。这为改善患者护理的医疗保健相关预测任务开辟了许多迷人的途径。然而,为了利用现成的机器学习软件来完成这些任务,需要从异构的动态数据流中学习所涉及的实体的结构化表示。在这里,我们提出了DECENT,一个自动编码的异构协同进化动态神经网络,用于学习异构动态嵌入的患者,医生,房间,和药物从不同的数据流。这些嵌入基于静态属性和动态交互来捕获医生、房间、患者和药物之间的相似性。DECENT支持医疗保健预测中的多个应用,例如预测患者的死亡风险和病例严重程度、不良事件(例如,转回重症监护室),以及未来的医疗保健相关感染。在预测建模中使用学习到的患者嵌入的结果表明,DECENT在死亡风险预测任务上的收益高达48.1%,在病例严重程度预测任务上的收益高达12.6%,在医疗重症监护病房转移任务上的收益高达6.4%,在艰难梭菌(C.diff)感染(CDI)预测任务上的收益高达3.8%。此外,对博学的医生、药物和房间嵌入的案例研究表明,我们的方法学习了有意义和可解释的嵌入。
2023-03-21 cs.AI cs.LG q-bio.QM
Dynamic Topic Language Model on Heterogeneous Children's Mental Health Clinical Notes
a large tertiary pediatric hospital(大型三级儿科医院)
本研究针对现有主题模型难以适配纵向临床文本、无法捕捉单文档时间轨迹的问题,提出一种带一致主题与个性化时间依赖的动态主题模型,在儿科临床笔记上提升了主题一致性,并揭示了疫情下不同身份儿童的心理健康差异。
2024-10-17 cs.CL cs.LG stat.AP
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
A Bayesian Approach to Modelling Longitudinal Data in Electronic Health Records
University of Cambridge(剑桥大学);The Alan Turing Institute(艾伦·图灵研究所);University of California Los Angeles(加州大学洛杉矶分校)
分析电子健康记录(EHR)带来了重大挑战,因为通常很少有样本可以描述患者的健康状况,并且在可用时,其信息内容高度多样化。我们考虑的问题是如何整合稀疏采样的纵向数据,缺失的测量信息的基础健康状况和固定的人口统计信息,以产生估计的生存分布更新通过患者的后续行动。我们提出了一个非参数概率模型,生成生存轨迹的贝叶斯树,学习变量的相互作用随着时间的推移,而无需事先指定的纵向过程的合奏。我们显示了原发性胆汁性肝硬化患者数据的性能改善。
2019-12-19 cs.LG stat.AP stat.ML