MIMIC-IV
PulseAugur coverage of MIMIC-IV — every cluster mentioning MIMIC-IV across labs, papers, and developer communities, ranked by signal.
- used by electronic health records 90%
- used by Gotit.pub 90%
- instance of MIMIC-III, a freely accessible critical care database 70%
- used by MIMIC-III, a freely accessible critical care database 70%
- instance of electronic health records 70%
- used by ScienceCast 70%
- used by DagsHub 70%
- used by alphaXiv 70%
- used by CatalyzeX 70%
- used by Ehrs 70%
- used by Qwen3_8B 70%
- used by XGBoost 60%
12 天有情绪数据
-
新型AI模型Mr.Dec利用每日电子病历和X光数据预测医院再入院
研究人员开发了Mr.Dec，这是一种新颖的多模态模型，旨在通过分析纵向患者数据来预测30天内的医院再入院。与以往压缩患者病史的方法不同，Mr.Dec以时间对齐的序列处理每日电子健康记录更新和胸部X光检查结果，模拟临床工作流程。该模型利用Transformer Decoder架构和疾病特异性监督对比学习来捕捉动态患者轨迹，并识别入院期间的关键日期以进行实时风险分层。在MIMIC-IV和MIMIC-CXR数据集上的评估表明，Mr.Dec通…
-
离线RL利用MIMIC-IV数据优化脓毒症治疗
研究人员开发了一种新颖的方法，使用离线强化学习来优化重症监护室脓毒症的管理。通过分析MIMIC-IV数据库中的历史患者数据，该研究将液体和血管升压药的剂量建模为马尔可夫决策过程。所开发的策略使用加权重要性采样和拟合Q评估进行评估，结果显示其回报高于临床医生的实践，同时建议适度减少静脉输液。
-
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。
-
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。
-
新的平滑流匹配框架为医疗保健研究生成函数数据
研究人员开发了一个名为平滑流匹配（SFM）的新框架，用于生成函数数据，即在连续域上观察到的数据。该方法旨在解决隐私问题、稀疏采样和非高斯结构等挑战，使其适用于生物医学研究和健康信息学中的应用。SFM构建了一个半参数平滑流，以创建无限维度的函数数据，而无需假设高斯性或低秩结构。该框架计算效率高，可处理不规则观测，并确保生成函数的平滑性，为现有的深度生成方法提供了一种实用的替代方案。通过模拟和应用于MIMIC-IV数据库的临床轨迹数据，证…
-
新基准揭示EHR基础模型临床效用参差不齐
一个名为FoMoH的新基准已被开发出来，用于评估结构化电子健康记录（EHR）的基础模型（FMs）。该基准包括14项具有临床意义的预测任务，并在来自哥伦比亚大学欧文医学中心和MIMIC-IV的超过600万份患者记录上进行了测试。评估发现，尽管表现最佳的FMs在区分性能上优于传统模型，尤其是在标记数据有限的情况下，但在低流行度设置下它们可能表现不佳并显示出较低的校准度。这些EHR FMs的跨机构可移植性仍然是一个挑战。
-
新的ORCA框架可适应可穿戴传感器数据的异常检测
研究人员开发了ORCA，一种用于多模态可穿戴时间序列数据异常检测的新型智能体框架。ORCA在推理过程中动态调整其时间感受野，无需对固定时间上下文进行数据集特定的调整。该方法在MIMIC-IV等分布外基准测试上实现了与强固定上下文基线相当的性能，并展示了强大的泛化能力，使其适用于资源受限的环境。
-
新基准评估LLM在电子病历数据上的临床推理能力
研究人员推出了CliniCARE-Bench，这是一个旨在评估大型语言模型在处理电子健康记录（EHR）时临床推理能力的新基准。该基准使用源自MIMIC-IV数据的750个患者病例，不仅评估判决准确性，还评估结论的证据基础、政策遵循情况以及校准性弃权。对16个代理系统的初步评估显示，虽然原始准确率得分相对较高，但无缺陷准确率（对禁止的捷径进行惩罚）显著较低，从而重新排序了性能排行榜。
-
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。
-
量子-代理AI框架预测心脏骤停死亡率
研究人员开发了QuanTiMedAI，这是一个结合了代理AI和量子计算用于预测心脏骤停死亡率的新型框架。该系统利用大型语言模型进行特征发现，并利用量子循环网络进行时间序列分析，其性能优于传统方法。在MIMIC-IV数据集上的实验表明，QuanTiMedAI的AUROC达到了0.852，且参数数量显著少于现有模型。
-
EvtGraph框架通过事件自适应压缩优化多模态时序数据学习
研究人员推出EvtGraph，一个旨在提高多模态时序数据学习效率的新型框架。该方法通过使用事件自适应压缩将序列转换为事件级token来解决数据密度不规则的挑战。EvtGraph然后在节点预算下选择这些token的紧凑子集，并应用时间约束稀疏图推理。在临床和跨领域基准上的实验表明，EvtGraph的表现优于Transformer和循环基线，同时显著提高了效率，为处理高冗余时序数据提供了一个通用范例。
-
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。
-
新的EHR2Path框架通过多模态数据对完整的患者住院路径进行建模
研究人员开发了EHR2Path，这是一个新的多模态框架，旨在利用电子健康记录（EHRs）对医院环境中的完整患者路径进行建模和预测。该系统将包括报告、病历、生命体征和用药数据在内的各种临床数据整合到一个统一的时间表示中。EHR2Path采用掩码摘要瓶颈（Masked Summarization Bottleneck）来高效处理长期的临床病史，同时保留近期上下文，从而提高了性能和令牌效率。在MIMIC-IV数据集上的实验表明，EHR2Pa…
-
新基准 EarlyDx 测试 AI 从有限临床数据中进行诊断推理
研究人员开发了 EarlyDx，这是一个旨在评估 AI 模型在仅有有限的入院时临床数据的情况下生成诊断能力的基准测试。与之前的基准测试不同，EarlyDx 使用自由文本记录，并根据急诊就诊而非完整的住院过程来监督诊断。LLM 审计员会验证支持每项诊断的证据，评估仅关注完全支持的标签。包括专门的医疗模型和通用的前沿模型在内的当前模型，在从入院时证据中可靠推断诊断方面存在困难，零样本模型表现不佳，即使是经过后训练的系统在推断召回率方面也存在显著差距。
-
新框架分析临床数据缺失时AI模型的故障
研究人员开发了一个新的框架，用于分析多模态临床AI模型的故障模式。该框架名为 Loud or Silent，通过评估在移除特定模态时模型准确度的变化，区分易于检测到的故障（响亮）和未被注意到的故障（沉默）。该系统还可以量化每个模态对错误的贡献，并可在不同模型和数据集上重复使用，已在 MIMIC-IV 队列的心脏超声和心电图数据上进行了演示。
-
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。
-
和谐的心电图特征改善了跨数据集的临床预测
研究人员开发了一种用于心电图（ECG）波形的和谐可解释特征表示，以改善跨数据集的临床预测。这种称为FeatureDB的方法旨在减少在一家医院的数据上训练的模型应用于另一家医院数据时出现的性能下降，解决了协议和测量差异的问题。该研究评估了该方法在心力衰竭分类和死亡率预测等任务上的表现，发现与ConvNeXt等端到端深度学习模型相比，和谐特征在跨数据集迁移中保持了具有竞争力的性能并表现出更大的稳定性。
-
新的MedLoCoMo基准测试LLM在长上下文医疗对话方面的能力
研究人员推出了MedLoCoMo，这是一个旨在评估大型语言模型长上下文医疗对话能力的新基准。该基准源自MIMIC-IV和MIMIC-IV-Note记录，侧重于跨多个就诊的患者特定临床推理。MedLoCoMo包含100个患者时间线，平均超过74,000个token，测试模型在单次就诊、跨就诊以及对抗性无法回答问题方面的能力。初步评估表明，即使是那些具有广泛上下文窗口或检索机制的模型，跨就诊推理仍然是一个重大挑战。
-
LLM 通过从 EHR 数据中提取隐藏的混杂因素来增强临床因果推断
一篇新的研究论文探讨了大型语言模型 (LLM) 如何通过从自由文本注释中提取先前未测量的临床混杂因素来改进电子健康记录 (EHR) 的因果推断。该研究利用了包含 21,859 名败血症患者的 MIMIC-IV 数据库，比较了将这些 LLM 衍生的协变量整合到因果估计流程中的七种不同策略。一项关键发现表明，直接使用 LLM 协变量增强倾向得分模型可获得最佳性能，与仅依赖结构化数据的方法相比，可显著减少估计偏差。