MIMIC-III, a freely accessible critical care database
PulseAugur coverage of MIMIC-III, a freely accessible critical care database — every cluster mentioning MIMIC-III, a freely accessible critical care database across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新框架结合量子电路和差分隐私，实现安全数据聚类
研究人员推出了一种名为 Equivariant Quantum Clustering (EQC) 的新框架，旨在增强敏感数据集的隐私保护聚类。EQC 集成了量子电路和差分隐私，采用参数高效设计，在维护数据机密性的同时提高分析性能。该框架在 NSL-KDD 等基准测试中表现出色，实现了高聚类准确率，并显著降低了成员推理攻击的成功率。
-
SafeImpute框架提高了临床数据插补的可靠性
研究人员开发了SafeImpute，一个旨在提高缺失临床数据插补可靠性的新框架。该方法使用图神经网络来捕捉患者轨迹和相似性，并通过自适应融合技术学习插补。SafeImpute还结合了共形p值和Benjamini-Hochberg程序，以控制插补值中不可接受错误的速率，确保高风险临床决策的统计可靠性。在Mayo Clinic、MIMIC-III和MIMIC-IV数据集上的实验表明，SafeImpute在提供强大插补精度的同时，能有效控制错误。
-
LLM统一EHR数据以改进医疗诊断预测
研究人员开发了一种使用大型语言模型（LLM）预测主要ICD编码的新颖方法，通过为多模态数据创建共享嵌入空间。该方法将结构化电子健康记录（EHR）变量与临床叙述相结合，利用冻结的医学LLM表示。在MIMIC-IV数据集上，组合探测器显著优于单一模态探测器和基线方法，展示了诊断预测准确性的提高和高效的跨数据集迁移能力。
-
研究发现：临床NLP数据集塑造自杀倾向检测
一篇新论文认为，临床文本数据集的构建方式显著影响自然语言处理（NLP）中自杀倾向检测的准确性和解释。研究强调，从电子健康记录（EHRs）构建的数据集，例如源自MIMIC-III的ScAN数据集，通常反映了临床医生的判断，并将自杀倾向操作化为一个有限的事件。这可能会掩盖原始临床表述中存在的时间性、否定性和不确定性的细微差别，导致对NLP模型输出的潜在误读。
-
新的扩散模型生成合成临床数据，捕捉信息缺失
研究人员开发了一种新颖的基于扩散的方法来生成合成临床时间序列数据，该方法有效地模拟了实验室数值及其不规则的观察模式。这种方法在新的arXiv论文中有所详述，它将缺失数据视为反映临床决策和患者生理状况的信号，而不是一个瑕疵。通过扩展TimeDiff框架，该模型捕捉了真实的采样和临床上有意义的依赖关系，展示了其在开发临床基础模型方面的潜力。
-
新基准 REMEDI 评估用于临床数据的 AI 遗忘能力
研究人员推出了 REMEDI，这是一个旨在评估专门用于多标签临床疾病推理的机器学习遗忘技术的新基准。由于患者数据的敏感性质和临床数据集的复杂性，现有的遗忘方法通常不适用于医疗应用。REMEDI 利用 MIMIC-III 数据库，并解决了标签相关性和安全约束等挑战，比合成数据集提供了更现实的评估。
-
新模型HoT-SSM增强医疗知识图谱推理能力
研究人员开发了HoT-SSM，一种用于分析医疗知识图谱的新方法，该方法融入了高阶时序推理。该方法构建超图以捕捉单次就诊中临床概念之间的复杂关系，并使用基于动态超图的状态空间模型来跟踪患者状态随时间的演变。在MIMIC-III和MIMIC-IV数据集上的实验表明，与现有的最先进模型相比，在临床预测任务上的性能有了显著提升。
-
新框架支持硬件上可扩展的量子神经网络训练
研究人员开发了一个新的框架，用于在量子硬件上训练量子神经网络（QNN），显著降低了梯度估计的计算成本。该方法将所需的电路评估次数从与量子比特数量的二次方关系降低到对数关系，使得QNN优化对于更大的系统来说变得可行。该框架成功应用于使用MIMIC-III数据集的临床数据插补，在IonQ硬件上训练的模型展示出与经典基线相当或更优的性能，同时方差降低。
-
针对临床笔记摘要微调的LLM显示出与规模相关的收益
研究人员开发了一种新的管道，用于使用微调的大型语言模型对住院记录中的临床溯源进行分类。该研究将 Llama-3 模型改编到 ICU 记录数据集，在识别句子级溯源方面取得了高精度。结果表明，更大的模型从微调中获益更多，其中量化的 70B 模型在降低计算需求的同时，性能优于其全精度对应模型。
-
新AI框架增强安全且可解释的药物推荐
研究人员开发了SafeRx-Agent，一个新颖的多智能体框架，旨在提高药物推荐的安全性和可解释性。该系统通过将预测与外部临床知识相结合并纳入安全验证来解决传统方法的局限性。SafeRx-Agent旨在提供更准确、细粒度的药物预测，同时积极控制潜在的药物相互作用和禁忌症，这已在MIMIC-III和MIMIC-IV数据集上的实验中得到证明。
-
新的LLM框架提升电子健康记录数据一致性，保障患者安全
研究人员开发了EHR-Inspector，一个旨在提高电子健康记录（EHR）准确性的新框架。该系统专注于验证EHR中非结构化临床笔记与结构化表格之间的一致性，这是保障患者安全的关键任务。与依赖表面匹配的先前方法不同，EHR-Inspector采用面向推理的技术和基于LLM的分析来捕捉更深层次的临床解释和时间关系。该框架在一个新创建的基准数据集EHR-ReasonCon上展示了最先进的性能，该数据集包含来自MIMIC-III数据集的专家指导注释。
-
新的联邦框架跨医院生成合成EHR
研究人员开发了FedEHR-Gen，一个用于生成合成电子健康记录（EHR）的新型联邦学习框架。该方法通过实现跨医院建模而不汇集敏感患者数据来解决数据隐私的挑战。FedEHR-Gen采用了一个两阶段过程，包括用于潜在空间对齐的联邦自动编码器和用于稳定时间序列生成的分布感知联邦时间条件变分自动编码器，在保真度和效用方面优于标准的联邦基线。
-
新AI框架通过双重注意力增强药物推荐
研究人员开发了GraphDiffMed，一个用于从电子健康记录中推荐药物组合的新框架。该系统使用双尺度差异注意力机制来过滤患者就诊内部和跨就诊的噪声，同时还整合了药物相互作用等药理学知识。在MIMIC-III数据集上的实验表明，与现有方法相比，GraphDiffMed提高了推荐的质量和安全性。
-
新框架将临床文本与电子健康记录数据对齐，实现精确时间线
研究人员开发了一个新框架，通过将其与结构化的电子健康记录（EHR）数据对齐，来提高从文本中提取的临床时间线的准确性。这种检索增强的多模态方法首先在叙述中识别关键锚定事件以创建时间骨架，然后将其他事件放置在此结构上。该系统通过使用检索到的EHR数据作为外部时间证据，进一步完善了时间线，与仅文本方法相比，在绝对时间戳准确性和时间一致性方面取得了显著改进。
-
大型语言模型通过文本归因知识图谱增强医学概念表示
研究人员开发了MedCo框架，该框架利用大型语言模型来增强知识图谱中的医学概念表示。该方法通过推断缺失的关系并整合文本中的丰富语义信息，解决了现有医学本体的局限性。MedCo生成节点描述和边解释，将文本语义与图结构融合，创建统一的概念嵌入，从而改进下游临床预测任务。
-
研究人员将物理模型与机器学习相结合，以改进无创血压监测
研究人员开发了一种新颖的混合方法，将 Windkessel 模型与机器学习相结合，以改进无创血压监测。该方法将物理原理整合到数据驱动的模型中，增强了它们的可解释性和临床适用性。该技术将 Windkessel 模型重新构建为可供神经网络使用的形式，创建了一个物理信息驱动的常微分方程组。与纯数据驱动的机器学习模型相比，该混合系统旨在提供更稳健且易于理解的血压预测。
-
零样本 LLM 在 MIMIC-III 以外的临床文本分割方面展现出潜力
研究人员开发了一种将临床笔记分割成章节的新方法，这有助于决策和 NLP 任务。他们创建了一个新的妇产科数据集来补充现有的 MIMIC-III 等数据集，从而能够比较监督式和零样本模型。虽然监督式模型在其训练领域内表现良好，但零样本模型在提供其生成的章节标题得到纠正的情况下，对新领域的适应性更好。