EHRSHOT
PulseAugur coverage of EHRSHOT — every cluster mentioning EHRSHOT across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的对比学习方法改进了跨国电子健康记录数据迁移
研究人员开发了一种名为不对称监督对比学习（Asymmetric SupCon）的新预训练目标，以改进电子健康记录（EHR）表征在不同国家医疗系统之间的迁移能力。该方法侧重于对具有积极结果的患者进行聚类，而不明确对阴性患者进行分组，从而解决了临床数据的异质性问题。在大型台湾EHR数据集上预训练时间Transformer编码器，并将其迁移到MIMIC-IV和EHRSHOT等美国数据集上，证明了性能的显著提升，尤其是在疾病预测的少样本学习场景中。
-
新的电子健康记录风险预测方法使用结构化证据路由
研究人员开发了一种名为结构化证据路由的新方法，用于使用纵向电子健康记录（EHR）预测事件风险。该方法采用路由器-预测器-审查器工作流程，首先将患者病史压缩成有针对性的证据片段。然后，预测器利用这些证据评估风险，审查器则对评估进行批判。该系统在五个诊断任务上展示了与已建立的监督基线相比具有竞争力的性能，同时还提供了透明的、患者特定的证据追踪。
-
新的电子健康记录基础模型可预测美国和台湾人群的慢性病
研究人员开发了一种新的人电子健康记录（EHR）基础模型，用于大规模慢性病预测。该模型在来自台湾和美国超过500万患者的数十亿次医疗事件上进行训练，利用统一的代码对齐框架来处理数据异质性。该模型展示了强大的扩展能力，拥有高达24亿参数的版本，并在11项慢性病预测任务上优于现有的基于树的模型和通用语言模型。它在EHRShot基准测试中也表现出强大的少样本泛化能力，即使在存在显著分布偏移的情况下也是如此，并突出了对齐的跨系统数据在数据受限的…
-
新的类BERT模型通过实验室数据和可解释性增强了EHR分析
研究人员开发了BERT-LER，一种新颖的类BERT模型，用于分析结构化电子健康记录（EHR）。该模型有效地将实验室检测结果编码为离散标记，同时通过基于百分位数的分箱保留分级信息。BERT-LER还整合了集成梯度用于标记级别归因，提供基于输入EHR序列的解释。在EHRShot套件和哮喘严重程度进展研究上进行基准测试时，BERT-LER在实验室相关任务上展示了具有竞争力的预测性能，通常超越现有模型，并生成了与已知临床风险因素一致的归因。
-
ChatHealthAI 集成 EHR 数据与 LLM 以实现临床推理
研究人员开发了 ChatHealthAI，一个旨在通过将电子健康记录 (EHR) 数据与大型语言模型 (LLM) 相集成来改进临床推理的新框架。该方法结合了 EHR 基础模型的预测能力和 LLM 的语言理解能力。ChatHealthAI 旨在通过将结构化 EHR 表示与 LLM 语义空间对齐，提供更具可解释性和基于事实的临床预测。