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
Causality Refined Diagnostic Prediction
KTH Royal Institute of Technology（瑞典皇家理工学院）；Carnegie Mellon University（卡内基梅隆大学）；Karolinska Institute（卡罗林斯卡学院）
近年来，将机器学习应用于医疗保健领域已显示出可喜的成果。来自学习算法的可解释的输出对于卫生保健人员的决策是期望的。在这项工作中，我们探讨了利用因果关系来完善诊断预测的可能性。我们专注于诊断预测的任务，使用不舒适的图纸，并探讨两种方法，采用因果识别，以提高诊断结果。首先，我们使用因果识别来推断诊断标签之间的因果关系，其本身提供了可解释的结果，以帮助医疗保健人员的决策和培训。其次，我们提出了一种后处理方法，其中推断的因果关系用于改进多视图概率模型的预测精度。实验结果表明，首先，因果识别是能够正确地检测诊断标签之间的因果关系，其次，有可能提高疼痛诊断预测精度使用的因果关系。
2017-11-29 cs.LG stat.ML
Before and After: Machine learning for perioperative patient care
University of Rome, Tor Vergata（罗马第二大学）
几个世纪以来，护理一直被认为是一项需要复杂手动操作的工作，无法自动化或被任何机器取代。所有的设备和技术的发明只是为了支持，但从来没有完全取代，一个人的知识和专家的直觉。随着人工智能的兴起和医疗保健中数字数据流的不断增加，新的工具已经到来，可以改善患者护理并减少护士的劳动密集型工作条件。这篇跨学科的评论旨在建立一座桥梁，跨越计算机科学和护理之间的差距。它概述并分类了手术前后患者护理中的机器学习和数据处理方法。它包括以过程为中心、以患者为中心、以操作员为中心、以反馈为中心和以技术为中心的分类。所提供的分类基于患者病例的技术方面。
2022-01-20 cs.AI cs.CY cs.LG
Early Mobility Recognition for Intensive Care Unit Patients Using Accelerometers
University of California, Davis（加州大学戴维斯分校）
随着物联网（IoT）和人工智能（AI）技术的发展，人类活动识别已经实现了各种应用，例如灵巧家庭和辅助生活。在本文中，我们的目标是一个新的医疗保健应用的人类活动识别，早期移动识别重症监护病房（ICU）的病人。早期活动对于长期卧床的ICU患者至关重要。我们的系统包括来自ICU患者的基于加速度计的数据汇集和用于识别患者早期活动性的AI模型。为了提高模型的准确性和稳定性，我们确定的功能是不敏感的传感器的方向，并提出了一个段投票过程，利用多数表决策略，以识别每个段的活动。我们的结果表明，我们的系统提高了模型的准确性从77.78%到81.86%，并降低了模型的不稳定性（标准差）从16.69%到6.92%，相比相同的AI模型没有我们的特征工程和段投票过程。
2021-06-28 cs.CY cs.LG
Detecting Activities of Daily Living and Routine Behaviours in Dementia Patients Living Alone Using Smart Meter Load Disaggregation
人口老龄化的出现是一个重大的公共卫生问题。这导致患有进行性神经退行性疾病（如痴呆症）的人数增加。因此，这对卫生和社会保健服务造成的压力意味着提供24小时监测是不可持续的。正在考虑技术干预，但是没有解决方案可以非侵入性地监测痴呆症患者的独立生活需求。因此，许多患者在提供干预和支持之前就达到了危机点。与此同时，病人护理依赖于非正式护理人员对重大行为变化的反馈。然而，并非所有人都有社会支持网络，而且痴呆症护理的早期干预往往被错过。智能电表的推出有可能改变这一点。使用机器学习和信号处理技术，家庭能源供应可以被分解以检测哪些家用电器被打开和关闭。这将使日常生活活动（ADL）得到评估，如饮食，并观察到日常生活的变化，以进行早期干预。主要目的是帮助减少病情恶化，使患者能够在家中呆更长时间。一个支持向量机（SVM）和随机决策森林分类器建模使用的数据从三个测试家庭。然后，在与Mersey Care NHS Foundation Trust合作进行的为期六个月的临床试验中，使用经过训练的模型来监测两名痴呆症患者。在用于电器检测的负载分解的情况下，实现了SVM（AUC=0.86074，Sen=0.756和Spec=0.92838）。而决策森林达到（AUC=0.9429，Sen=0.9634和Spec=0.9634）。还分析了ADL，以识别居住者的行为模式，同时检测日常生活的改变。
2019-03-18 cs.CY 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
A Hybrid Recommender System for Patient-Doctor Matchmaking in Primary Care
Universidade Nova de Lisboa, School of Business and Economics（新里斯本大学商学院与经济学院）；University of California, Davis（加利福尼亚大学戴维斯分校）；Wright State University（莱特州立大学）
我们与一家领先的欧洲医疗保健提供商合作，设计了一种机制，使患者与家庭医生在初级保健中相匹配。我们为几个不同的用例定义了匹配过程，给出了不同级别的患者可用信息。然后，我们采用了一个混合推荐系统，目前每个病人的家庭医生的建议列表。特别是，我们使用一个大规模的咨询历史数据集的家庭医生的病人信任模型，同时占他们的关系的时间动态。我们提出的方法显示出更高的预测精度比启发式基线和协同过滤方法，和建议的信任措施进一步提高模型的性能。
2019-03-18 cs.IR cs.LG stat.ML
A Corpus for Detecting High-Context Medical Conditions in Intensive Care Patient Notes Focusing on Frequently Readmitted Patients
Massachusetts Institute of Technology（麻省理工学院）；University of Massachusetts（马萨诸塞大学）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）；Massachusetts General Hospital（麻省总医院）；Tufts University School of Medicine（塔夫茨大学医学院）；Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）；Washington University School of Medicine（华盛顿大学医学院）；Philips Research North America（飞利浦北美研究院）；Harvard University（哈佛大学）；Adobe Research（Adobe研究院）
电子健康记录（EHR）二次分析的关键步骤是确定正在调查的患者队列。虽然电子病历包含医疗账单代码，旨在表示患者可能患有的疾病和治疗，但大部分信息仅存在于患者笔记中。因此，开发强大的算法来从患者的书面笔记中推断患者的病情和治疗至关重要。在本文中，我们介绍了一个用于患者表型分析的数据集，该数据集被定义为基于患者记录识别患者是否具有给定的医疗状况（也称为临床适应症或表型）。对一家大型三级护理医院重症监护室的护理进展记录和出院总结进行手动注释，以确定是否存在与治疗和再住院风险相关的几种高背景表型。该数据集包含1102份出院总结和1000份护理进展记录。每份出院总结和病程记录均由至少两名专家人工注释员（一名临床研究员和一名住院医师）进行注释。注释的表型包括治疗不依从性、慢性疼痛、晚期/转移性癌症以及10种其他表型。该数据集可用于医学和计算机科学的学术和工业研究，特别是在医学自然语言处理领域。
2020-03-06 cs.CL cs.CY cs.LG
Time Aggregation and Model Interpretation for Deep Multivariate Longitudinal Patient Outcome Forecasting Systems in Chronic Ambulatory Care
Bakar Computational Health Sciences Institute, University of California, San Francisco（加州大学旧金山分校巴卡尔计算健康科学研究所）
门诊护理的临床数据占国家医疗保健支出的90%，其特点是纵向数据的样本量相对较小，每个患者的就诊间隔不等，患者之间收集的数据点数量不等。虽然深度学习已成为序列建模的最新技术，但尚不清楚哪种时间聚合方法最适合这些具有挑战性的时间用例。此外，医生通常认为深度模型不可解释，这可能会阻止临床采用，即使是性能良好的模型。我们表明，时间分布密集层与GRU相结合，产生最普遍的模型。此外，我们提供了一个框架的模型的临床解释。
2018-11-30 cs.AI cs.LG stat.ML
Sepsis Prediction and Vital Signs Ranking in Intensive Care Unit Patients
Semion（赛米恩）
我们研究了多种基于规则和机器学习（ML）模型的败血症检测。我们报告的第一个神经网络检测和预测结果的三个类别的脓毒症。我们使用了回顾性重症监护医学信息市场（MIMIC）-III数据集，仅限于重症监护病房（ICU）患者。预测特征仅根据常见的生命体征测量值创建。与单一ML和基于规则的模型相比，我们使用基于神经网络的集成模型显示出AUC评分的显着改善。对于脓毒症、严重脓毒症和脓毒性休克的检测，我们的模型分别达到0.97、0.96和0.91的AUC。在阳性小时前4小时，它预测相同的三个类别，AUC分别为0.90、0.91和0.90。此外，我们对这些特征进行了排名，发现使用六个生命体征始终为所有测试的模型提供更高的检测和预测AUC。我们的新型集成模型在MIMIC-III ICU患者中检测和预测脓毒症、严重脓毒症和脓毒性休克方面实现了最高AUC，并且适合在医院环境中部署。
2019-03-06 cs.LG q-bio.QM 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
Machine Intelligence for Outcome Predictions of Trauma Patients During Emergency Department Care
The Ohio State University（俄亥俄州立大学）；The Abigail Wexner Research Institute at Nationwide Children’s Hospital（全国儿童医院阿比盖尔·韦克斯纳研究所）
创伤死亡率是由许多非线性相关风险因素引起的，包括患者人口统计学、损伤特征、提供的医疗护理和医疗设施的特征;然而传统方法试图使用刚性回归模型来捕获这些关系。我们假设基于迁移学习的机器学习算法可以深入了解创伤患者的病情，并准确识别死亡率高风险的个体，而无需依赖于限制性回归模型标准。匿名患者访视数据来自国家创伤数据库2007-2014年。排除了生命体征不完整、结局未知或人口统计学数据缺失的患者。所有患者就诊均发生在美国医院，在回顾性检查的2，007，485次就诊中，8，198次导致死亡（0.4%）。评估机器智能模型的敏感性、特异性、阳性和阴性预测值以及Matthews相关系数。我们的模型在特定年龄的比较模型中取得了相似的性能，并且在同时应用于所有年龄时具有很好的推广性。在测试混杂因素时，我们发现，排除跌倒相关伤害可以提高成年创伤患者的表现;但是，它会降低儿童的表现。这里描述的机器智能模型展示了与当代机器智能模型相似的性能，而不需要限制性回归模型标准或广泛的医学专业知识。
2020-09-09 cs.AI cs.LG stat.ML
Generalizability of predictive models for intensive care unit patients
Institute of Medical Engineering & Science（医学工程与科学研究所）；Massachussetts Institute of Technology（麻省理工学院）；Microsoft Research（微软研究院）
大量的研究已经考虑了临床数据的预测模型的创建，然而，许多现有的文献报告的结果只使用一个单一的数据源。在这项工作中，我们评估了在公开的eICU协作研究数据库上训练的模型的性能。我们表明，交叉验证使用许多不同的中心提供了一个合理的估计模型的性能在新的中心。我们进一步表明，跨中心训练的单个模型可以很好地转移到不同的医院，即使与使用医院特定数据重新训练的模型相比。我们的研究结果激励了多中心数据集用于模型开发，并强调了医院之间数据共享的必要性，以最大限度地提高模型性能。
2018-12-06 cs.LG stat.ML
Reinforcement Learning Assisted Oxygen Therapy for COVID-19 Patients Under Intensive Care
Northeastern University（东北大学）；New York University School of Medicine（纽约大学医学院）
患有严重冠状病毒疾病19（COVID-19）的患者通常需要补充氧气作为基本治疗。我们开发了一种基于深度强化学习（RL）的机器学习算法，用于重症监护下重症患者的氧气流量持续管理，该算法可以识别最佳个性化氧气流量，相对于当前临床实践，该氧气流量具有降低死亡率的强大潜力。基本上，我们将COVID-19患者的氧气流轨迹及其健康结果建模为马尔可夫决策过程。基于个体患者特征和健康状况，学习基于强化学习的氧气控制策略，并实时推荐氧气流量以降低死亡率。我们通过交叉验证评估了拟议方法的性能，使用了2020年4月至2021年1月期间来自纽约大学Langone Health门诊护理的1，372名具有电子健康记录的COVID-19重症患者的回顾性队列。RL算法下的平均死亡率比标准治疗低2.57%（95% CI：2.08- 3.06）降低（P<0.001）从标准治疗下的7.94%降至我们算法下的5.37%，平均推荐氧气流速为1.28 L/min（95% CI：1.14-1.42）低于实际交付给患者的比率。因此，RL算法可能会导致更好的重症监护治疗，可以降低死亡率，同时节省氧气稀缺资源。于COVID-19疫情期间，可减少氧气短缺问题及改善公众健康。
2021-11-07 cs.AI cs.LG
Early prediction of respiratory failure in the intensive care unit
ETH Zürich（苏黎世联邦理工学院）；University of Bern（伯尔尼大学）；Microsoft Research（微软研究院）；Auckland City Hospital（奥克兰市医院）
呼吸衰竭的发生在重症监护室（ICU）的患者中很常见。来自ICU患者监测系统的大量数据使得临床医生难以进行及时和全面的分析，但对于通过机器学习算法进行自动处理是理想的。呼吸系统衰竭的早期预测可以提醒临床医生患者有呼吸衰竭的风险，并允许早期患者重新评估和治疗调整。我们提出了一个早期预警系统，预测中度/重度呼吸衰竭提前8小时。我们的系统在HiRID-II上进行了培训，这是一个包含超过60，000名三级护理ICU入院患者的数据集。警报通常在呼吸衰竭开始前几个小时触发。我们的系统优于临床基线模仿传统的临床决策的基础上脉搏血氧饱和度和吸入氧的分数。为了提供模型自省和诊断，我们开发了一个易于使用的基于Web浏览器的系统来可视化地探索模型输入数据和预测。
2021-05-12 cs.LG stat.ML
Optimal discharge of patients from intensive care via a data-driven policy learning framework
Dascena, Inc.（Dascena 公司）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
基于机器学习和优化的临床决策支持工具可以为医疗保健提供者提供重要价值，包括通过更好地管理重症监护病房。特别是，重要的是，患者出院任务解决了减少患者住院时间（和相关的住院费用）与出院决定后再入院甚至死亡风险之间的微妙权衡。这项工作引入了一个端到端的一般框架，用于捕获这种权衡，以根据患者的电子健康记录推荐最佳的出院时间决策。一个数据驱动的方法是用来获得一个简约的，离散的状态空间表示，捕捉病人的生理状况。基于该模型和给定的成本函数，一个无限时域折扣马尔可夫决策过程的制定和数值求解计算的最优排放政策，其价值评估使用政策外的评估策略。大量的数值实验进行验证所提出的框架，使用现实生活中的重症监护病房的病人数据。
2021-12-17 cs.AI cs.LG math.OC
Modeling Patient Care Trajectories with Transformer Hawkes Processes
University at Buffalo（布法罗大学）
本文基于Transformer Hawkes过程建模患者护理轨迹，通过结合历史编码与动态过程捕捉事件依赖性，联合预测事件类型和时间，采用逆平方根权重解决类别不平衡问题，提升对罕见但重要事件的敏感性。
2026-04-07 cs.LG q-bio.QM
Computable Phenotypes of Patient Acuity in the Intensive Care Unit
Intelligent Clinical Care Center (IC3), University of Florida（佛罗里达大学智能临床护理中心（IC3））；College of Medicine, University of Florida（佛罗里达大学医学院）；J. Crayton Pruitt Family Department of Biomedical Engineering, University of Florida（佛罗里达大学J.克雷顿·普鲁伊特家族生物医学工程系）
本研究基于两家医院ICU电子健康记录，利用自动变量检索与k-means聚类构建每四小时更新的病情严重程度表型，刻画稳定、不稳定及转换状态，以支持预后和临床决策。
2023-11-01 cs.LG q-bio.QM stat.ML
Predicting special care during the COVID-19 pandemic: A machine learning approach
Universidade Estadual de Campinas（坎皮纳斯州立大学）
COVID-19给世界各地的卫生系统带来了前所未有的压力，尤其是在巴西。在这项研究中，我们提出了一种基于统计学和机器学习的分析方法，该方法使用来自患者的实验室检查数据来预测患者是否需要特殊护理（在常规或特殊护理单位住院）。我们还预测了患者接受此类护理的天数。开发的两步程序使用贝叶斯优化来选择几个候选模型中的最佳模型，使我们最终的模型对于第一个目标达到0.94的ROC曲线下面积，对于第二个目标达到1.87的均方根误差（比平均基线改善77%），使我们的模型可以部署为一个决策系统，可以提供给每个感兴趣的人。该分析方法可用于其他疾病的分析，并可为医院容量规划提供帮助。
2020-11-06 cs.CY cs.LG
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
Identifying Differential Patient Care Through Inverse Intent Inference
MIT（麻省理工学院）；University of Toronto（多伦多大学）；Harvard Medical School（哈佛医学院）
本文利用行为克隆、模仿学习和逆向强化学习从专家示范中学习脓毒症患者亚群的最优治疗策略，并通过反事实推断识别不同亚群间的照护差异及指南发布后的疗效变化。
2024-11-19 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
Computable Phenotypes to Characterize Changing Patient Brain Dysfunction in the Intensive Care Unit
University of Florida（佛罗里达大学）
在美国，每年有超过500万患者入住ICU，ICU死亡率为10%-29%，费用超过820亿美元。急性脑功能障碍状态，谵妄，往往被低估或低估。本研究的目的是开发急性脑功能障碍状态的自动可计算表型，并描述脑功能障碍状态之间的转换，以说明ICU患者的临床轨迹。我们为UFH Gainesville（GNV）和Jacksonville（JAX）的48，817名入住ICU的成人患者创建了两个单中心纵向EHR数据集。我们开发了算法来量化急性脑功能障碍状态，包括昏迷，谵妄，正常，或死亡，在12小时的间隔，每次ICU入院，并确定急性脑功能障碍表型使用连续急性脑功能障碍状态和k均值聚类方法。在UFH GNV数据集中，37，835例患者有49，770例入院，在UFH JAX数据集中，10，982例患者有18，472例入院。总的来说，18%的患者昏迷是最严重的脑功能障碍状态;每12小时，约4%-7%将转变为谵妄，22%-25%将恢复，3%-4%将死亡，67%-68%将在ICU中保持昏迷。此外，7%的患者有谵妄作为最严重的脑功能障碍状态;约6%-7%将转变为昏迷，40%-42%将无谵妄，1%将死亡，51%-52%将在ICU中保持谵妄。有三种表型：持续昏迷/谵妄，持续正常，几乎仅在ICU入院后的前48小时内从昏迷/谵妄转变为正常。我们开发了表型评分算法，在ICU住院期间每12小时确定一次急性脑功能障碍状态。这种…
2023-03-09 cs.LG q-bio.QM stat.ML
Digital Twins for Patient Care via Knowledge Graphs and Closed-Form Continuous-Time Liquid Neural Networks
SORG Orthopaedic Research Group（SORG骨科研究组）；Massachusetts General Hospital（麻省总医院）
本文提出将患者健康数据构建为知识图谱，并结合闭式连续时间液态神经网络进行实时分析，以降低计算成本与建模复杂性，从而推动数字孪生在患者照护中的应用。
2023-07-08 cs.LG
Individualized Risk Prognosis for Critical Care Patients: A Multi-task Gaussian Process Model
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of Oxford（牛津大学）；Alan Turing Institute（艾伦·图灵研究所）
我们报告了一种数据驱动的实时风险评分的开发和验证，该评分可根据患者的临时实验室检查和生命体征及时评估病房患者的临床紧急程度，从而使重症监护室（ICU）能够及时入院。与现有的风险评分技术不同，所提出的评分是个性化的;它使用电子健康记录（EHR）数据，根据患者的静态协变量将患者聚类为类似患者的子队列，然后学习一个单独的时间，非平稳多任务高斯过程（GP）模型，该模型捕获每个子队列的生理学。对来自罗纳德里根加州大学洛杉矶分校医学中心的6，094名患者的异质队列数据进行的实验表明，我们的风险评分在及时性，真阳性率（TPR）和阳性预测值（PPV）方面显着优于最先进的风险评分技术，如罗斯曼指数和MEWS。特别是，与Rothman指数和MEWS相比，建议的评分分别将AUC增加了20%和38%，并且可以在PPV为35%和TPR为50%时在临床医生之前8小时预测ICU入院。此外，我们表明，建议的风险评分允许更好地决定何时从病房出院临床稳定的患者，从而提高医院资源利用效率。
2017-05-22 cs.LG
PRECISE Framework: GPT-based Text For Improved Readability, Reliability, and Understandability of Radiology Reports For Patient-Centered Care
Massachusetts General Hospital（麻省总医院）；Brigham and Women's Hospital（布列根和妇女医院）；Athinoula A. Martinos Center for Biomedical Imaging（阿西诺拉·A·马蒂诺斯生物医学成像中心）；Harvard Medical School（哈佛医学院）；Julia R. Masterman High School（朱莉娅·R·马斯特曼高中）
提出并评估利用GPT-4将胸部X光报告改写为六年级阅读水平的PRECISE框架，在500份报告上验证其可显著提升可读性、可靠性与可理解性。
2024-02-20 cs.AI cs.CL cs.HC
From Data-Driven to Purpose-Driven Artificial Intelligence: Systems Thinking for Data-Analytic Automation of Patient Care
Utrecht University（乌特勒支大学）；Delft University of Technology（代尔夫特理工大学）；University Medical Center Utrecht（乌特勒支大学医学中心）；Organisation for Economic Co-operation and Development（经济合作与发展组织）
本文反思数据驱动建模在患者护理自动化中的局限，提出以临床理论和社会技术现实为基础的目的驱动机器学习范式，强调从数据生成和自动化目标双向审视数据效用，以实现以人为中心的护理结果。
2025-06-18 cs.AI cs.LG cs.SY
Forecasting Patient Demand at Urgent Care Clinics using Machine Learning
Massey University（梅西大学）
由于人员配备不足，世界各地的紧急护理诊所和急诊室经常会出现超出患者预期的等待时间。这些延迟与不良临床结局有关。以前的研究预测需求这一领域主要使用了统计技术的集合，与机器学习方法现在才开始出现在最近的文献。此领域的预测问题困难，且因COVID-19疫情而变得复杂，由于典型的需求模式被打乱，导致此估计变得额外复杂。这项研究探讨了机器学习方法在新西兰奥克兰的两个大型紧急护理诊所生成准确患者演示的能力。许多机器学习算法进行了探索，以确定最有效的技术，为这个问题的领域，与任务的预测，每天的病人需求提前三个月。该研究亦对模型行为进行了深入分析，以探索哪些特征在预测需求方面最有效，以及哪些特征能够适应COVID-19疫情封锁所导致的波动。结果表明，基于集成的方法平均提供了最准确和一致的解决方案，比现有的内部方法提高了23%-27%。
2022-05-25 cs.AI cs.LG
Multi-Modal AI for Remote Patient Monitoring in Cancer Care
University College London（伦敦大学学院）；Ethera Health LTD（Ethera健康有限公司）；Centro Algoritmi, Universidade do Minho（阿尔戈里米中心，明霍大学）
本研究提出多模态AI框架用于癌症护理中的远程患者监测，通过整合多源数据预测不良事件风险，准确率达83.9%。
2026-01-08 cs.AI cs.LG
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
Handling uncertainty using features from pathology: opportunities in primary care data for developing high risk cancer survival methods
The University of Melbourne（墨尔本大学）
2019年，超过14.4万澳大利亚人被诊断出患有癌症。大多数人会首先向他们的家庭医生提出诊断，即使是筛查项目存在的癌症。由于癌症症状的非特异性及其低患病率，在初级保健中诊断癌症具有挑战性。从初级保健数据中了解癌症症状的流行病学和患者病史中的表现模式对于改善早期检测和癌症结局可能很重要。由于关于患者的过去的医疗数据可能不完整、不规则或缺失，这在尝试使用患者的病史进行任何新诊断时产生了额外的挑战。我们的研究旨在调查GP可获得的患者病理史中的机会，最初集中在频繁订购的全血细胞计数中的结果，以确定与未来高风险癌症预后和治疗结果的相关性。我们研究了过去的病理学检测结果如何导致可用于预测癌症结局的衍生特征，重点是在2年内无法存活的癌症患者。这项初步工作的重点是肺癌患者，尽管该方法可以应用于其他类型的癌症和医疗记录中的其他数据。我们的研究结果表明，即使在患者病史不完整或模糊的情况下，血液学测量也可以用于生成与预测癌症风险和生存相关的特征。结果强烈地指示添加病理学测试数据的使用以用于潜在的高风险癌症诊断，并且甚至更多地利用额外的病理学度量或其他初级护理数据集以用于类似目的。
2020-12-17 cs.LG
Classifying the evolution of COVID-19 severity on patients with combined dynamic Bayesian networks and neural networks
Universidad Politécnica de Madrid（马德里理工大学）
当我们面对因某种疾病而来到医院的病人时，我们可能遇到的主要问题之一是评估这些病人在不久的将来是否需要重症监护。这种重症监护需要分配宝贵而稀缺的资源，事先了解患者疾病的严重程度可以改善其治疗和资源的组织。我们在第六次流行浪潮中西班牙COVID-19患者的数据集中说明了这个问题，我们将患者标记为危重患者，当他们不得不进入重症监护室或去世时。然后，我们结合使用动态贝叶斯网络，预测生命体征和血液分析结果的患者在未来40小时内，和神经网络，以评估患者疾病的严重程度，在这段时间内。我们的实证结果表明，换位的患者的当前状态，以未来的价值观与DBN为后续使用的分类获得更好的准确性和g-平均得分比直接应用与分类器。
2023-03-10 cs.AI cs.LG
Use of machine learning in geriatric clinical care for chronic diseases: a systematic literature review
Stevens Institute of Technology（史蒂文斯理工学院）
老年临床护理是一个多学科的评估，旨在评估老年患者（年龄65岁及以上）的功能能力，身体健康和认知健康。这些患者中的大多数患有多种慢性疾病，需要特别注意。最近，医院利用各种人工智能（AI）系统来改善对老年患者的护理。这项系统性文献综述的目的是了解人工智能系统，特别是机器学习（ML）在老年慢性病临床护理中的当前使用。材料和方法-我们将检索限制在8个数据库中，即PubMed、WorldCat、MEDLINE、ProQuest、ScienceDirect、SpringerLink、Wiley和ERIC，以分析2010年1月至2019年6月期间以英文发表的研究文章。我们专注于使用ML算法护理慢性病老年患者的研究。结果-我们确定了35个合格的研究，并分为三组-心理障碍（n=22），眼病（n=6），和其他（n=7）。该审查发现缺乏标准化的ML评估指标，以及需要针对医疗保健应用程序的数据治理。结论-需要更多的研究和ML标准化定制的医疗保健应用，以确认ML是否可以帮助改善老年临床护理。
2021-10-30 cs.AI cs.LG eess.SP
Predicting Intensive Care Unit Length of Stay and Mortality Using Patient Vital Signs: Machine Learning Model Development and Validation
New Mexico Institute of Mining and Technology（新墨西哥矿业技术学院）；Oak Ridge National Laboratory（橡树岭国家实验室）；The University of Tennessee Health Science Center（田纳西大学健康科学中心）；Illinois State University（伊利诺伊州立大学）
患者监护在护理的各个阶段都至关重要。我们在这里报告ICU住院时间和死亡率预测模型的发展和验证。这些模型将用于智能远程患者监测（IRPM）框架的智能ICU患者监测模块，该模块监测患者的健康状况，并在预测到不良医疗状况时生成及时警报、操作指导或报告。我们利用公开的重症监护医学信息市场（MIMIC）数据库提取成人患者的ICU住院数据，建立两个预测模型：一个用于死亡率预测，另一个用于ICU住院时间。对于死亡率模型，我们应用了六种常用的机器学习（ML）二进制分类算法来预测出院状态（存活与否）。对于住院时间模型，我们使用相同的六种ML算法进行二进制分类，患者人群ICU住院时间中位数为2.64天。对于基于回归的分类，我们使用了两种ML算法来预测天数。我们为每个预测模型建立了两个变体：一个使用12个基线人口统计学和生命体征特征，另一个基于我们提出的分位数方法，其中我们使用21个从基线生命体征特征设计的额外特征，包括其修改后的均值，标准差和分位数百分比。我们可以使用最少的特征进行预测建模，同时使用分位数方法保持合理的性能。使用随机森林算法在死亡率模型中达到的最佳准确度约为89%。基于人群中位ICU住院时间（2.64天），使用随机森林算法在住院时间模型中实现的最高准确度约为65%。
2021-05-05 cs.AI cs.LG
Diagnosis-based mortality prediction for intensive care unit patients via transfer learning
本文提出通过迁移学习方法，利用eICU数据库对ICU患者进行基于诊断的死亡率预测，结果显示迁移学习在预测性能和校准方面优于传统方法。
2025-12-06 cs.LG stat.AP
Context-Aware Optimization of Follow-Up Intervals for Type 2 Diabetes Care Using Markov Decision Processes
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；National Center for Human Factors in Healthcare（医疗人因国家中心）；Georgetown University School of Medicine（乔治城大学医学院）；Medstar Georgetown University Hospital（Medstar乔治城大学医院）
提出上下文马尔可夫决策过程模型，利用电子健康记录数据为2型糖尿病患者优化个性化随访间隔，识别低风险和高风险亚群，相比固定间隔策略显著降低预期累积成本。
2026-06-18 cs.LG stat.AP
Transforming Dental Diagnostics with Artificial Intelligence: Advanced Integration of ChatGPT and Large Language Models for Patient Care
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；Florida Atlantic University（佛罗里达大西洋大学）
本文综述ChatGPT等LLM在牙科诊断、医患沟通和口腔外科中的应用前景、挑战及未来研究方向。
2024-06-07 cs.AI cs.CL cs.LG
Deep Reinforcement Learning for Efficient and Fair Allocation of Health Care Resources
Northwestern University（西北大学）；Princeton University（普林斯顿大学）
本研究提出基于transformer的深度Q网络，通过整合患者疾病进展与交互效应优化重症监护资源分配策略，在呼吸机短缺下显著降低超额死亡并提升分配公平性。
2024-08-22 cs.AI cs.LG
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
Natural Language Processing Methods to Identify Oncology Patients at High Risk for Acute Care with Clinical Notes
ETH Zürich（苏黎世联邦理工学院）；Leiden University Medical Center（莱顿大学医学中心）；Stanford University（斯坦福大学）
本文探讨了利用自然语言处理和自由文本临床笔记预测肿瘤患者化疗后急性医疗事件风险，发现其效果略逊于结构化数据模型，并揭示了不同患者群体的风险偏差差异。
2023-03-16 cs.CL cs.LG
A Machine Learning Case Study for AI-empowered echocardiography of Intensive Care Unit Patients in low- and middle-income countries
University College London（伦敦大学学院）；Oxford University Clinical Research Unit Vietnam（越南牛津大学临床研究组）；Mahidol Oxford Tropical Medicine Research Unit（玛希隆牛津热带医学研究组）；King’s College London（伦敦国王学院）
我们提出了一个机器学习（ML）研究案例，以说明实时AI授权的超声心动图系统的临床翻译的挑战，其中包含LMIC中ICU患者的数据。这种ML案例研究包括来自LMIC中31名ICU患者的2D超声视频的数据准备、管理和标记，以及三个较薄神经网络的模型选择、验证和部署，以分类心尖四腔视图。ML算法的结果显示了较薄网络在有限数据集下分类4CV的前景，验证和应用。我们总结这项工作，提到需要（a）数据集，以提高人口统计学，疾病的多样性，（b）需要进一步研究更薄的模型，以低成本的硬件运行和实施，在LMIC的ICU中进行临床转化。代码和其他资源，以复制这项工作是在https://github.com/vital-ultrasound/ai-assisted-echocardiography-for-low-resource-countries。
2023-03-05 cs.LG eess.IV physics.med-ph
ChronoMedicalWorld: A Medical World Model for Learning Patient Trajectories from Longitudinal Care Data
Beijing KidneyTec Medical Technology Co., Ltd.（北京肾科医疗技术有限公司）
本文提出了一种名为ChronoMedicalWorld的模型，旨在通过纵向护理数据学习患者轨迹，该模型结合了联合嵌入状态编码器和宽动作编码器，并在六个术语目标下训练了循环潜在转移模块，以提高慢性病护理中长期预测的准确性。
2026-05-21 cs.AI cs.LG
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
Enhancing Uncertain Demand Prediction in Hospitals Using Simple and Advanced Machine Learning
School of Mathematics, University of Bristol（布里斯托大学数学学院）；School of Engineering and Informatics, University of Sussex（萨塞克斯大学工程与信息学院）；NHS Integrated Care Board（英国国家医疗服务体系综合护理委员会）；School of Business, University of Bristol（布里斯托大学商学院）；Centre Hospitalier Universitaire Vaudois (CHUV)（沃州大学医院中心）
本研究开发了时变线性模型和LSTM模型预测医院患者护理需求，发现两者均能有效捕捉小时级变化，且LSTM模型预测误差更低，证实了机器学习可提前三天或一周以约4名患者的准确度进行预测。
2024-04-29 cs.LG stat.AP
Posture Recognition in the Critical Care Settings using Wearable Devices
University of Florida（佛罗里达大学）
重症监护病房（ICU）患者的低体力活动水平与不良临床结局有关。因此，需要对ICU中的身体活动进行连续和客观的测量，以量化身体活动与患者结局之间的关联。这种测量也将帮助临床医生评估拟议的康复和物理治疗方案在改善身体活动方面的疗效。在这项研究中，我们使用可穿戴传感器的数据研究了ICU人群中姿势识别的可行性。
2021-10-07 cs.HC cs.LG eess.SP
On the Use of Time Series Kernel and Dimensionality Reduction to Identify the Acquisition of Antimicrobial Multidrug Resistance in the Intensive Care Unit
Rey Juan Carlos University（胡安·卡洛斯国王大学）；University Hospital of Fuenlabrada（富恩拉夫拉达大学医院）；University Hospital of North-Norway（北挪威大学医院）；UiT The Arctic University of Norway（挪威北极大学）
重症监护病房（ICU）患者获得抗菌药物多药耐药性（AMR）是全球关注的主要问题。本研究以多变量时间序列（MTS）的形式分析了2004年至2020年在Fuenlabrada大学医院（马德里）ICU记录的3476例患者的数据。18%的患者在ICU期间发生AMR。本文的目标是对AMR的发展进行早期预测。为此，我们利用时间序列聚类内核（TCK）来学习MTS之间的相似性。为了评估TCK作为内核的有效性，我们应用了几种降维技术进行可视化和分类任务。实验结果表明，TCK可以识别一组在ICU住院的前48小时内获得AMR的患者，并且它还提供了良好的分类能力。
2021-07-07 cs.LG physics.med-ph q-bio.PE
Understanding Breast Cancer Survival: Using Causality and Language Models on Multi-omics Data
Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Carnegie Mellon University（卡内基梅隆大学）
本文针对乳腺癌生存预测中因果发现评估困难的问题，利用PC、GES和广义精度矩阵算法分析705名患者的多组学数据，并结合BlueBERT等生物医学语言模型验证结果，以揭示可靠的临床因果关系。
2023-05-28 cs.CL cs.LG q-bio.GN
