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.
12 天有情绪数据
-
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…
-
提出数字孪生因果证伪新方法
一篇新研究论文提出了一种数字孪生因果证伪的方法。数字孪生是用于预测现实世界过程的模拟模型。作者将该问题构建为因果推断挑战，定义了孪生准确的含义。他们强调，仅凭观测数据无法在没有潜在不可靠假设的情况下认证孪生。相反，所提出的统计程序旨在识别孪生不正确的场景，即使在存在混杂数据的情况下，也假设有一个独立同分布（i.i.d.）的观测轨迹数据集。该方法论应用于使用Pulse Physiology Engine和MIMIC-III数据集的败血症…
-
新框架提供可解释的 AI 用于败血症预测
研究人员开发了一种使用时间序列电子健康记录 (EHR) 数据对败血症进行建模的新框架。该方法通过设计优先考虑可解释性，将数据表示为关系型，然后将其命题化为人类可读的特征。所得模型，即选择性分数朴素贝叶斯分类器，在 MIMIC-III 数据集上实现了与 XGBoost 和 CatBoost 等最先进方法相媲美的性能，同时保持显著更小的模型占地面积，并在多个级别提供原生的可解释性。
-
新模型改进纵向数据的因果推断
研究人员开发了两种新模型 CSSD 和 CSSPD，以改进纵向观察数据的因果推断，这是临床决策支持的关键任务。这些模型解决了现有方法中的一个基本矛盾：用于处理不变性的对抗性训练会抑制重要的结果预测信号。特别是 CSSPD 结合了对比预测编码和局部信息最大化，以增强时间可预测性并恢复丢失的协变量信息。在 MIMIC-III 数据库上的实验表明，CSSPD 在反事实均方根误差方面优于 Causal Transformer，而在癌症模拟数据…
-
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RQDTR框架优化临床治疗风险和疗效
研究人员推出了一种新颖的框架——风险感知动态治疗方案（RQDTR），旨在改进序列临床决策。该方法不仅限于最大化平均疗效，还能同时优化结果分布的特定分位数，管理治疗相关风险，并处理多种治疗选项。RQDTR包含三个子类：仅疗效分位数学习、基于约束的群体层面风险控制学习以及基于效用的学习。理论分析支持其识别和一致性，并将其应用于重度抑郁症和败血症数据，与现有方法相比，显示出改进的面向尾部疗效和更好的收益-风险权衡。
-
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。
-
FedCARE框架增强了医疗个性化联邦学习 · 已追踪2个来源
研究人员开发了FedCARE，一个专为智能医疗应用量身定制的多目标个性化联邦学习新框架。该方法解决了不同医疗机构之间非独立同分布（non-IID）数据、异构临床目标和私有特征空间带来的挑战。FedCARE采用两阶段训练过程：首先，利用基于Pareto优化在公共特征上建立共享的全局骨干网络；其次，允许各个客户端使用其私有数据和本地目标对该骨干网络进行微调，以实现个性化适应。在MIMIC-III和Diabetes 130-US Hospi…
-
Metamorphic testing framework proposed for clinical AI models
研究人员提出了一个名为变形测试（MT）的新框架，用于评估临床机器学习模型的行为正确性。该方法评估模型是否与既定的医学知识一致，即使在标准指标（如AUROC）显示出高性能的情况下也是如此。一项使用MIMIC-III和MIMIC-IV数据集进行的试点研究表明，临床模型尽管预测得分很高，但MT违规率却很高，这表明可能存在临床上的不合理性。该研究表明，MT是确保医疗AI可靠性的一种有价值的补充传统指标的方法。
-
新研究表明，直接PPG信号在可穿戴血压监测方面更优
两篇新研究论文探讨了使用可穿戴传感器估算血压的方法，重点关注光电容积脉搏波图（PPG）和心电图（ECG）信号。第一篇论文提出了一种轻量级的混合学习框架，结合了单次搏动PPG嵌入和生理特征来进行无袖带血压估算，收缩压的平均绝对误差为4.02 mmHg，舒张压为1.79 mmHg。第二项研究分析了MIMIC-III数据库，发现PPG信号与血压的生理相关性比ECG信号更强，表明直接的PPG到血压预测管道对于可穿戴设备更有效，达到了英国高血压…
-
新型MissHyper模型改进临床时间序列预测
研究人员开发了MissHyper，这是一种新颖的预测模型，旨在提高临床不规则多元时间序列的准确性。该模型通过在消息传递前恢复共时间戳上下文来解决表示瓶颈，从而增强了局部患者状态信息的可用性。MissHyper结合了缺失引导门并聚合共时间戳记录以恢复患者状态上下文，在PhysioNet 2012、MIMIC-III和MIMIC-IV等数据集上展示了多步预测的一致性提升。
-
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…
-
新框架使用自监督学习进行早期脓毒症预测
研究人员开发了一种使用自监督学习技术预测脓毒症的新框架，特别是联合嵌入预测架构（JEPA）和方差-不变-协方差正则化（VICReg）。这些方法应用于来自 MIMIC-III 数据库的电子健康记录，旨在克服不规则数据采样和高缺失率等挑战。JEPA 方法结合 XGBoost，在发病时间实现了 0.636 的有竞争力的精确率-召回率曲线下面积（AUPRC），而 VICReg 预训练编码器则展示了时间上持久的表示，在不同预测范围内的鲁棒性方面…