MIMIC-IV
PulseAugur coverage of MIMIC-IV — every cluster mentioning MIMIC-IV across labs, papers, and developer communities, ranked by signal.
11 天有情绪数据
-
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。
-
新的CISM框架将缺失数据用作临床时间序列预测的信号
研究人员开发了一个名为CISM的新型框架，用于预测临床时间序列，该框架将缺失数据视为有价值的信号而非伪影。该方法将每个生理变量转换为时频频谱图，并包含一个显式的缺失流。在MIMIC-IV数据集上进行的院内死亡率预测实验表明，与现有方法相比，CISM在AUROC、AUPRC和F1分数方面取得了优越的性能。
-
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。
-
新DAIN模型通过动态代理协作推进多模态推理
研究人员开发了DAIN，一个动态代理交互网络，用于高效协作的多模态推理。与静态的混合专家模型不同，DAIN使用元控制器动态激活专业代理并管理它们的通信。这种方法优化了任务准确性、代理专业化和操作效率。DAIN在五个基准测试中取得了最先进的性能，包括在ADNI上提高了2.6%的准确率，同时还提供了增强的可解释性。
-
新的EHR-Complex基准测试AI代理的复杂临床推理能力
研究人员推出了EHR-Complex，这是一个新的基准，旨在评估AI代理在与复杂的电子健康记录（EHR）数据交互时进行临床推理的能力。与使用简化数据上的静态SQL的先前基准不同，EHR-Complex使用广泛的MIMIC-IV数据集模拟了一个交互式环境，要求代理执行SQL查询和Python代码。初步评估表明，即使是表现最好的模型在准确性和一致性方面也面临挑战，这凸显了AI进行稳健EHR分析的重大挑战。
-
新数据集Insulin4RL支持不规则临床数据的离线强化学习
研究人员推出Insulin4RL，一个专为医疗保健领域离线强化学习设计的新数据集。该数据集源自MIMIC-IV，包含来自12,209名需要胰岛素输注滴定调整的重症监护室患者的超过375,000个决策。与使用固定时间间隔的先前数据集不同，Insulin4RL具有自然不规则的输入和动作，旨在提高回顾性模型评估的泛化能力。研究人员为未来的研究提供了基线性能指标和标准化的评估协议。
-
新的基准评估大型语言模型审计临床出院小结的能力
研究人员开发了一个名为CareTransition-Audit的新基准，用于评估大型语言模型审计临床出院小结的性能。该基准使用MIMIC-IV数据库和临床医生提供的标签，评估文档的完整性以及与人类专家的_一致性_。尽管目前的大型语言模型与临床医生的_一致性_适中，但它们在识别模糊信息方面存在困难，这表明需要进一步开发自动化的临床文档质量改进。
-
新的Clin-JEPA框架支持电子健康记录数据的联合嵌入预测预训练
研究人员开发了Clin-JEPA，一个新颖的多阶段协同训练框架，用于电子健康记录（EHR）的联合嵌入预测预训练。该框架解决了创建单一AI模型以同时预测患者轨迹和执行各种下游风险预测任务的挑战，而无需进行特定任务的微调。Clin-JEPA采用了一个为期五阶段的预训练课程，以稳定地协同训练一个Qwen3-8B编码器和一个潜在轨迹预测器，通过独特地融合潜在的滚动漂移并学习临床上可区分的潜在几何形状，在EHR数据上展示了改进的性能。
-
新的PACE-RAG框架增强了帕金森病患者的个性化药物推荐
研究人员开发了PACE-RAG，一个新颖的检索增强生成框架，旨在改善帕金森病等复杂疾病患者的药物推荐。与使用通用指南或复制常见治疗模式的现有方法不同，PACE-RAG通过提取患者特定的临床特征来实现个性化推荐。然后，它根据当前症状、活动药物和特定的处方倾向来优化处方，并提供可解释的临床摘要。在使用Llama 3.1:8b和Qwen3 8B模型在MIMIC-IV基准上进行评估时，PACE-RAG取得了最先进的F1分数，证明了其在临床决策…
-
新基准显示大型语言模型在交互式医生辅助方面存在困难
研究人员开发了 PhysAssistBench，这是一个旨在评估大型语言模型 (LLM) 在协助医生方面的能力的新基准。该基准侧重于涉及医生、患者和电子健康记录 (EHR) 的交互式场景，要求 LLM 协调临床知识、沟通和系统交互。PhysAssistBench 使用 MIMIC-IV 的真实案例构建，包含一个由 1,296 个医生验证的轮次组成的数据集。初步实验表明，当前 LLM 在此复杂的临床辅助角色中尚不可靠，凸显了更好地整合这…
-
新基准测试 LLM 的多轮临床问答能力
研究人员推出了 EHRNote-ChatQA，这是一个新颖的基准，旨在评估纵向患者出院总结的多轮临床问答能力。该基准源自已去标识化的 MIMIC-IV 数据，包含 967 个患者样本中的 16,000 多个专家验证的问答对。对 22 个 LLM 的初步评估表明，在证据支持和多轮错误累积方面存在显著挑战，这表明在单轮临床问答中的表现不能可靠地转化为这种更复杂的场景。
-
新的EHR模型利用ICD编码层级结构改进预测
研究人员开发了新的电子健康记录（EHR）基础模型方法，以更好地利用ICD诊断编码的层级结构。当前模型将这些编码视为扁平的标记，忽略了它们固有的关系。这项工作探讨了使用分层标记增强BERT风格的Transformer模型，并将层级结构融入基于图的代码表示中。在MIMIC-IV和eICU数据集上的实验表明，显式编码ICD层级结构可以提高下游预测的准确性和跨数据集的可迁移性，其中最有效的层级结构水平因任务和模型而异。
-
新的PERRY方法为RL策略评估提供可靠的不确定性估计
一篇新论文介绍了一种名为PERRY的方法，该方法在利用辅助数据（例如模型生成的数据）进行离线策略评估（OPE）时，可以构建有效的置信区间。这种方法对于医疗保健等高风险领域至关重要，因为在这些领域中，安全部署强化学习（RL）策略需要可靠的不确定性估计。PERRY提供了两种方法：一种用于状态条件策略值，另一种用于平均策略性能，它们借鉴了保形预测和双重稳健估计技术。在各种模拟器和真实医疗保健数据集上的实验表明，PERRY能够有效利用辅助数据…
-
表格基础模型适应于临床生存预测
研究人员开发了一种方法，将表格基础模型应用于临床生存分析，这是一项对预测死亡率等事件发生时间至关重要的任务。该方法包括在像TabPFN、TabDPT和TabICL这样的模型预训练表示之上训练一个生存感知的头部。在公共基准和大型ICU数据集上，经过适应的模型表现出具有竞争力或更优越的性能，优于现有基线。
-
LongMoE框架解决了多模态临床学习中的缺失数据问题
研究人员推出了一种新颖的框架LongMoE，旨在解决多模态临床学习的复杂性。该方法有效解决了两个关键挑战：不同患者模态中的数据缺失以及疾病进展的时间动态。通过整合上下文感知填充、轨迹感知编码和一个稀疏专家混合系统，LongMoE即使在患者数据不完整或不一致的情况下，也能对疾病随时间的演变进行建模。
-
AI可提前两年预测癌症并发症
研究人员开发了一种Transformer模型，能够提前两年预测癌症患者器官级并发症的发生。该模型分析纵向实验室测量数据，捕捉单时间点工具所遗漏的时间生理变化。这种方法在预测多发性骨髓瘤和卵巢癌患者的162种并发症方面显示出显著的富集性，并且预测结果可迁移到独立的医疗保健系统。
-
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。
-
新模型为生理传感器提供可解释的异常检测
研究人员开发了一个名为蒸馏解释模型（DEM）的新框架，用于生理传感器数据中的异常检测。这个三阶段模型旨在提供高准确性和可解释的解释，与黑盒方法不同。DEM将梯度提升专家知识蒸馏到决策树中，提供人类可读的规则，并实现适合实时监控的快速推理时间。
-
新方法估算选择偏差对医疗AI模型的影响
研究人员开发了一种新方法，用于估算选择偏差对机器学习模型的潜在影响，特别是在医疗保健环境中。该方法为处理部分观察到的目标人群和选择机制时的最坏情况模型性能提供了实际的上限。该方法使用合成数据、来自All of Us Research Program的数据以及来自MIMIC-IV的真实世界数据进行了验证，为提高模型的可推广性和安全性提供了一个工具。
-
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。