Ehrs
PulseAugur coverage of Ehrs — every cluster mentioning Ehrs across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
FedCoRe框架解决了医疗联邦学习中缺失数据的问题
研究人员开发了FedCoRe，一个用于医疗联邦学习的新框架，解决了缺失数据模态的挑战。FedCoRe通过比较使用可用数据和不使用可用数据所做的预测来学习纠正缺失信息，例如心电图或胸部X光片。该方法旨在恢复因模态缺失而损失的性能，在模拟医疗场景中显示出显著的准确性恢复。
-
新的图变换器模型增强了用于临床预测的EHR数据分析
研究人员开发了MiGHT-EHR，一种新颖的多任务图变换器，用于处理异构时间序列电子健康记录（EHR）。该方法构建了一个图，其中节点代表临床实体，边连接统计相关的实体。在MIMIC-III和MIMIC-IV数据集上进行测试，MiGHT-EHR在四个预测任务上表现出色：药物推荐、住院时长预测、死亡率预测和再入院预测，在死亡率和再入院预测方面表现尤为突出。学习到的表示也揭示了临床上可解释的结构，通过结果对患者邻域进行组织，并保留了特定任务的信息。
-
新的LM-GNN框架通过患者队列洞察增强临床预测
研究人员开发了一个名为Patients-like-me (PLM) 的新颖框架，该框架结合了语言模型 (LM) 和图神经网络 (GNN)，以利用电子健康记录 (EHR) 改进临床预测。这种集成方法利用了 LM 对个体患者数据的语义理解以及 GNN 在患者队列中的关系洞察。PLM 使用变分期望最大化算法进行高效训练，并在 MIMIC-III 和 MIMIC-IV 数据集上展示了优于现有方法的性能。
-
遗留系统和昂贵的利基工具阻碍医疗保健行业的人工智能采用
医疗保健行业在人工智能采用方面面临严峻挑战，陷入了过时的遗留系统和利基初创解决方案之间的困境。遗留系统通常将肤浅的人工智能功能应用于现有的技术债务，而新的、专业的 AI 工具则需要大量的资本支出用于集成和维护，从而导致“资本支出陷阱”。专家们主张转向能够自主执行复杂工作流并带来可衡量投资回报率的“代理式人工智能”，而不仅仅是总结数据。
-
机器学习在手术风险预测中面临可复现性和数据挑战
一项对190项关于机器学习（ML）在手术风险分层和结局预测方面应用的研究进行的范围审查，揭示了显著的方法学差距。大多数研究使用了单中心、私有数据集，数据模态有限，并且缺乏开放访问的手术数据集阻碍了可复现性。关键的预处理步骤，如缺失数据处理和类别不平衡，通常报告不完整。虽然传统的ML模型占主导地位，但深度学习和多模态方法并不常见，标准化评估协议和基准数据集也基本缺失，阻碍了跨研究比较。此外，只有约三分之一的研究纳入了可解释性方法，限制了…
-
新框架将多模态临床数据整合到电子健康记录基础模型中
研究人员开发了一个新的自回归基础模型框架，该框架可以处理多模态临床数据，包括心电图波形、胸部X光图像和临床笔记，以及结构化的电子健康记录（EHR）事件代码。该框架利用特定模态的潜在压缩和带门控的交叉注意力以及时间对齐来整合这些多样化的数据类型。在MIMIC-IV数据集上的实验表明，特定的潜在压缩配置比简单方法提高了性能，并且每种模态的预训练编码器的选择对下游结果有显著影响。然而，研究也表明，与仅使用EHR的模型相比，简单地添加辅助模态…
-
人工智能与真实世界证据加速罕见病治疗研发
人工智能（AI）与真实世界证据（RWE）正在融合，以加速罕见病的治疗研发。由于患者群体小且难以收集足够数据，传统的临床试验对于这些疾病往往不切实际。通过将AI与真实世界证据来源（如电子健康记录、患者登记册和保险索赔）相结合，研究人员可以更有效地定义患者队列、调整混杂因素、检测治疗模式并识别不良事件。美国食品药品监督管理局（FDA）等监管机构日益认可这种混合证据生成方法。
-
VISTA Architect AI系统将LLM与EHR集成以合成医疗数据
研究人员开发了VISTA Architect，一个旨在将大型语言模型与电子健康记录（EHR）集成的新型AI系统。该系统将临床数据转化为知识图谱，创建患者事件的综合时间线。在斯坦福大学医学系演示的VISTA Architect在重建肿瘤委员会的患者病史方面达到了96.4%的准确率，优于现有的检索增强生成方法。
-
新的MedTPE方法以无性能损失的方式压缩电子病历数据以供大型语言模型使用
研究人员开发了一种名为Medical Token-Pair Encoding (MedTPE)的新方法，用于高效压缩大型语言模型中长序列的电子健康记录。该技术将频繁出现的医疗Token对合并为单个复合Token，实现了无损压缩，且不增加计算开销或牺牲预测准确性。MedTPE在各种临床预测任务和大型语言模型上显著减少了输入Token长度和推理延迟，同时还显示出对其他领域和语言的鲁棒性和通用性。
-
AI模型利用临床笔记和时间数据预测患者风险
研究人员开发了两种新方法 HiTGNN 和 ReVeAL，以利用临床语言处理改进慢性病的早期风险预测。HiTGNN 是一种分层时间图神经网络，通过整合时间事件结构和医学知识来有效模拟患者轨迹。ReVeAL 是一个轻量级框架，将大型语言模型的推理能力提炼到更小的验证器模型中。这些方法应用于 2 型糖尿病筛查，显示出高预测准确性，特别是对近期风险，同时保持隐私和提高敏感性。
-
LLM 和归一化流用于处理不完整的医疗保健数据以估计治疗效果
研究人员开发了一种新颖的两阶段流程 CausalFlow-T，旨在从不完整的纵向电子健康记录中改进治疗效果估计。第一阶段利用具有 LSTM 编码的 DAG 约束归一化流进行精确的反事实推断，第二阶段则采用 LLM 驱动的插补器来处理缺失数据。与统计基线相比，这种组合方法在各种缺失水平下均能更优地保留平均治疗效果的恢复。
-
研究：更短的数据窗口可优化AI在医院再入院预测中的应用
一篇新发表在arXiv上的研究探讨了预测医院再入院的最佳历史数据窗口。研究人员发现，对于非结构化的临床记录，手术前三到六个月的较短窗口能产生最佳的预测性能。相比之下，结构化数据在更长的时间窗口下表现出性能提升，并在十二个月后趋于平稳。这些发现表明，仅仅使用更多的历史数据并不总能带来更好的机器学习预测，为优化再入院预测模型提供了指导。
-
稀疏自编码器分解临床序列模型表征：特征复杂度、任务专业化与死亡率预测
研究人员开发了几种利用电子健康记录（EHR）上的机器学习来改进临床预测的新方法。其中一种方法“Risk Horizons”使用一种具有几何感知的框架和双曲嵌入来构建患者特定的候选空间，以预测未来的临床事件。另一种方法将临床诊断视为一个自回归序列建模任务，采用大型语言模型的因果解码器来处理缺失的模态并提高可解释性。此外，一个名为FlatASCEND的新模型专注于具有连续时间预测的自回归临床序列生成，并测试药理学关联，而另一项研究则使用稀…