新的TRACER框架利用知识图谱和RAG增强临床风险预测

研究人员开发了TRACER，一个新颖的框架，旨在通过整合异构外部知识与电子健康记录（EHRs）来改进临床风险预测。TRACER构建了一个医学知识图谱，其中包含来自医学文献的疾病严重程度信息。然后，它从该知识图谱中检索相关的患者进展路径，从非结构化临床笔记中提取关键事件，并用相似病例来增强患者背景。在MIMIC-III和MIMIC-IV数据集上进行的实验显示，死亡率预测的Macro F1分数提高了28.5%，再入院预测的Macro F1分数提高了19.7%，取得了显著的改进。 AI

影响 通过整合外部知识和患者数据，提高了临床风险预测的准确性。

排序理由 该集群包含一篇详细介绍临床风险预测新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• Influence Flower
• MIMIC-III
• MIMIC-IV
• ScienceCast
• TRACER

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →