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.
6 天有情绪数据
-
新的LLM框架CARing增强了医学诊断预测能力
研究人员开发了CARing，一个旨在提高大型语言模型（LLM）从临床数据预测诊断准确性的新框架。CARing解决了两个关键挑战：LLM倾向于关注少数正确诊断以及医学代码被分割成意义较小的标记。该框架使用组合语义ID（SIDs）来表示诊断，并在强化学习中采用覆盖奖励机制，以确保考虑更广泛的潜在诊断范围。在MIMIC-III和MIMIC-IV数据集上进行测试，CARing在加权F1分数和top-k召回率方面均优于现有基线。
-
新AI方法优化电子健康记录结果预测的临床笔记摘要
研究人员开发了一种名为RASPER（用于电子健康记录预测的奖励对齐摘要器）的新方法，以改进用于预测患者结果的临床笔记摘要。该方法使用通过强化学习训练的可调LLM摘要器，奖励来自下游预测器的性能。RASPER旨在从非结构化笔记中提取与任务相关的证据，以补充结构化医疗代码，在MIMIC-III和MIMIC-IV数据集的再入院预测和药物推荐任务上优于现有方法。
-
5 个会破坏生产系统的 RAG 错误
构建生产级的检索增强生成（RAG）系统需要仔细考虑，而不仅仅是简单的演示。关键错误包括依赖主观质量评估，而不是命中率和 token F1 等量化评估指标；以及使用固定大小分块，这可能会分割重要的上下文信息。将向量搜索与关键词匹配（如 BM25）相结合可以提高特定术语的检索效果，而设置相关性阈值可以防止模型在找不到相关信息时生成答案。最后，将索引视为静态实体是有问题的；需要一个健壮的摄取管道来处理文档更新、删除和版本控制，尤其是在医疗保…
-
新AI框架HADRec融合分子数据与EHR用于药物推荐
研究人员开发了HADRec，一个新颖的AI驱动药物推荐框架，通过整合分子知识和电子健康记录来解决当前方法的局限性。该框架使用LLaMA-7B处理临床笔记，使用ChemBERTa分析药物结构，从而能够更深入地理解患者状态和药物特征。HADRec还采用了一个层级预测器和一个一致性约束损失，以确保遵守解剖治疗化学（ATC）分类系统，并在MIMIC-III上展示了最先进的性能，在MIMIC-IV上表现出强大的泛化能力。
-
大语言模型框架从电子健康记录中重建患者心理健康历程
研究人员开发了CliniCIRCA，一个利用大语言模型从非结构化电子健康记录（EHR）叙述中重建纵向患者历程的新框架。该系统旨在对心理健康护理中的临床事件进行时间分类，即使在没有明确时间戳的情况下也是如此。CliniCIRCA在MIMIC-III数据集上进行了评估，生成了超过15,000个时间标记的事件，随后通过临床医生反馈进行完善，创建了一个经过验证的黄金标准数据集。该框架旨在提高临床对患者进展的理解，并可扩展以生成其他模型的训练数据。
-
新框架LearnActCoder通过学习错误来提高临床编码准确性
研究人员开发了LearnActCoder，一个旨在通过学习过去的错误来提高临床编码代理准确性的框架。该系统创建了一个结构化的Mistake Knowledge Database (MistakeKDB)，有助于在不改变底层模型权重的情况下调整编码过程。在MIMIC-III和MIMIC-IV数据集上进行测试时，MistakeKDB显著提高了CPT编码的F1分数，并调整了ICD-10编码以提高精度，尽管总体F1分数保持稳定。
-
新的混合AI框架改进了个性化血压估计
研究人员开发了一种使用光电容积脉搏波描记法（PPG）信号估计血压的新混合框架。该方法结合了卷积神经网络（CNN）和先验形态学分支，以同时捕捉波形动态和个体血管特征。该方法旨在提高个性化水平并减少对大型数据集的依赖，在MIMIC-III数据库上实现了更高的准确性，收缩压的平均绝对误差为3.77 mmHg，舒张压为2.36 mmHg。使用SHAP的可解释性分析证实，形态学特征与个体血管特征一致，增强了可解释性。
-
新AI框架通过证据链接改进医院出院总结
研究人员开发了一个新的框架，利用抽象意义表示和深度学习来生成医院出院总结。这种以证据为驱动的方法通过将每个总结句子与其源跨度链接起来，优先考虑出处，旨在减轻大型语言模型在临床环境中常见的幻觉风险。该系统在公开可用的 MIMIC-III 语料库和伊利诺伊大学医院的临床记录上进行了评估，并提供了配套的代码和模型。
-
新方法使用医学本体论进行临床AI泛化
研究人员开发了UdonCare，一种改进临床预测性医疗保健领域泛化的新方法。该方法利用医学本体论动态地将患者划分为潜在领域，解决了领域标签缺失和临床洞察整合的需求。在MIMIC-III和MIMIC-IV等公共数据集上，UdonCare的表现优于八个现有的泛化基线，显示出在医疗保健领域增强模型泛化的巨大潜力。
-
AI模型利用PPG数据预测院内卒中风险
研究人员开发了一种利用光电容积脉搏波图（PPG）衍生的血流动力学特征来分类院内卒中风险状态的方法。通过分析住院期间发生卒中的患者的连续监测数据，该研究利用了LLM辅助管道从临床笔记中识别卒中锚点。在PPG数据上训练了一个ResNet-1D分类器，在两个不同的患者队列中，在不同的预测时间范围内均取得了较高的F1分数和AUC。与传统的临床和EHR比较器相比，PPG模型表现出优越的性能，尽管研究结果是回顾性的，并未建立临床警报或经过验证的预测提前期。
-
新的REFINE框架可根据电子病历个性化医疗概念表示
研究人员开发了REFINE，一个新颖的框架，旨在从电子健康记录（EHRs）中创建个性化的医疗概念表示。该方法通过构建患者特定的时间图谱，并使用强化学习策略来确定每个观察到的代码的最佳知识图谱（KG）上下文，从而对文本属性知识图谱（TKGs）进行精炼。然后，一个异构图神经网络捕获结构依赖性，同时一个冻结的大型语言模型使用图感知软提示对这些表示进行语义精炼。在MIMIC-III和MIMIC-IV数据集上进行的实验表明，REFINE显著增强…
-
新的ReTA框架动态地使用外部知识增强电子健康记录图谱
研究人员开发了ReTA，一个新颖的框架，它使用强化学习来动态地使用外部知识图谱增强电子健康记录（EHR）图谱。这种方法允许在每次就诊时进行上下文感知的知识导入，提供三种选项：软导入以丰富节点特征，硬导入以修改图谱拓扑，或者在模型自信时跳过增强。在MIMIC-III和MIMIC-IV数据集上的实验表明，ReTA在诊断、死亡率和再入院等预测任务中始终优于现有方法，并且在不同数据集和知识图谱之间也表现出可迁移性。
-
新的CAIR框架改进了生理时间序列插补
研究人员开发了一种名为面向课程的插值再精炼（CAIR）的新两阶段框架，用于插补生理时间序列数据，如血压和血糖水平。该方法通过考虑现实临床缺失模式（包括极端信号值和不同长度的间隙）来解决现有插补技术的局限性。CAIR结合了双向GRU插补器和Transformer精炼器，使用随机间隙课程进行训练，并在MIMIC-III和AI-READI等数据集上证明了其卓越的准确性，尤其是在具有挑战性的缺失机制下。
-
量子生成模型TabularQGAN解决了异构表格数据合成问题
研究人员开发了TabularQGAN，这是一种新颖的量子生成模型，旨在合成表格数据，填补了现有量子模型通常仅限于同构数据的空白。这种新架构利用灵活的数据编码和独特的量子电路ansatz，有效地模拟了医疗保健和金融等行业常见的异构表格数据集。在MIMIC-III医疗保健和Adult Census数据集上的初步测试表明，TabularQGAN在与CTGAN和CopulaGAN等领先的经典模型相比时，取得了有竞争力的性能，甚至在某些相似性指…
-
新基准CoMedBench评估合成医疗数据效用
研究人员推出了CoMedBench，这是一个旨在评估合成医疗数据的保真度和效用的新基准。该基准旨在解决由于隐私法规和其他限制而使用真实患者数据所面临的挑战。CoMedBench评估了跨多个数据集和下游任务的各种数据生成器，并比较了在真实数据与合成数据上训练的模型的性能。
-
新框架ReCoGen可根据多模态条件生成时间序列数据
研究人员开发了ReCoGen，一个新颖的两阶段框架，旨在生成连续的生理时间序列数据，尤其是在面临缺失或不规则采样信息时。第一阶段涉及训练特定模态的掩码自编码器，将各种数据类型提炼成紧凑的、对缺失不敏感的令牌序列。第二阶段利用一个流匹配生成器，将这些令牌与静态条件融合以合成目标信号。ReCoGen在包括MIMIC-III和MIMIC-IV在内的多个基准测试中表现出色，优于现有的条件生成器，并实现了与真实世界数据相当的效用。
-
LLM摘要通过重组临床数据来增强院内死亡率预测
研究人员开发了一个多重表征框架，该框架将LLM生成的ICU记录专家摘要与生理数据相结合，以提高院内死亡率预测。与仅使用生理数据的0.3625/0.7770相比，该方法显著提高了预测准确性，达到了0.4977的AUPRC和0.8429的AUROC。虽然LLM摘要提供了患者特定的改进，但研究发现它们主要重组了临床记录中已有的信息，而不是引入全新的数据。
-
新的审计框架揭示了医疗AI中存在有害的“有毒模仿”
研究人员开发了一个名为反事实临床审计（CCA）的新框架，用于识别医疗离线强化学习（RL）代理中的“有毒模仿”。这种失败模式发生在代理复制有害模式时，例如不当撤销治疗，而标准评估指标未能检测到。使用MIMIC-III数据库和重症监护生存指南，CCA框架被用于审计两个RL代理：Medical Decision Transformer (MedDT) 和 Historical Causal Transformer (HCT-RL)。审计显示…
-
ReCoGen 框架根据多模态条件生成生理时间序列数据
研究人员开发了 ReCoGen，一个新颖的两阶段框架，旨在生成连续的生理时间序列数据，尤其适用于关键信号缺失的情况。第一阶段涉及训练掩码自编码器，将不同数据模态表示为紧凑的 token 序列；第二阶段将这些 token 与静态数据融合，以合成目标信号。ReCoGen 在三个生理基准测试中表现出色，包括 MIMIC-III 和 MIMIC-IV 等数据集，其性能优于其他六个条件生成器，并在大多数情况下达到了与真实数据相当的结果。
-
新型GARLIC模型推动ICU数据可解释AI发展
研究人员开发了GARLIC，一种新颖的神经网络架构，旨在提高重症监护室（ICU）数据的预测模型的准确性和可解释性。该模型通过使用可学习的编码器进行插补，并通过时滞摘要图捕获传感器间的依赖关系，从而解决了数据采样不规律和缺失值等挑战。GARLIC在ICU基准测试（包括PhysioNet 2012、PhysioNet 2019和MIMIC-III）上展示了最先进的性能，显著提高了结果预测的准确性，同时保持了可比的计算成本。该架构的注意力权…