MIMIC-IV
PulseAugur coverage of MIMIC-IV — every cluster mentioning MIMIC-IV across labs, papers, and developer communities, ranked by signal.
- instance of MIMIC-III, a freely accessible critical care database 90%
- used by FedAvg 90%
- other MIMIC-III, a freely accessible critical care database 70%
- used by DagsHub 70%
- used by alphaXiv 70%
- used by MIMIC-III, a freely accessible critical care database 70%
- used by Gotit.pub 70%
- used by ScienceCast 70%
- used by CatalyzeX 70%
- instance of electronic health records 70%
- used by electronic health records 70%
- used by Ehrs 70%
10 天有情绪数据
-
新的对比学习方法改进了跨国电子健康记录数据迁移
研究人员开发了一种名为不对称监督对比学习（Asymmetric SupCon）的新预训练目标，以改进电子健康记录（EHR）表征在不同国家医疗系统之间的迁移能力。该方法侧重于对具有积极结果的患者进行聚类，而不明确对阴性患者进行分组，从而解决了临床数据的异质性问题。在大型台湾EHR数据集上预训练时间Transformer编码器，并将其迁移到MIMIC-IV和EHRSHOT等美国数据集上，证明了性能的显著提升，尤其是在疾病预测的少样本学习场景中。
-
新型SepsisLens模型保持数据结构以改进早期预警
研究人员开发了SepsisLens，一种新颖的、用于ICU患者早期脓毒症检测的结构保持序列建模方法。与将患者数据汇总为单一风险评分的传统模型不同，SepsisLens维护了变量索引的时间状态，从而可以将警报直接链接到支持它们的生理信号。该方法编码了单个变量的动态和测量历史，在不折叠变量轴的情况下对共享的时间动态进行建模，并从显式的变量和器官级别组件中组合多层风险。在多个ICU队列上的评估表明，与现有方法相比，SepsisLens具有强…
-
联邦学习在临床AI模型的时序数据方面面临挑战
研究人员探讨了联邦世界模型学习中的轨迹异质性，重点关注使用MIMIC-IV数据集进行的临床预测任务。他们的研究表明，客户端所有权和参与度显著限制了长时序窗口的覆盖范围，在训练期间只有一小部分可用的32步窗口在本地是完整的。研究还发现，更精细的严重程度划分通常会导致FedAvg算法的错误率更高，而FedProx等其他联邦算法仅显示出最小的、与预测时间范围相关的改进。此外，研究强调算法标签可能会掩盖不同的更新行为和规模差异，这表明需要更细…
-
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。
-
临床预测中的公平性：在MIMIC-IV上评估死亡率模型
一篇新研究论文发布在arXiv上，探讨了临床预测模型中的公平性，特别关注使用MIMIC-IV数据集进行的死亡率预测。研究强调了不同的公平性指标和人口统计分辨率如何导致关于模型公平性的不同结论。它引入了一种轻量级的适应策略，以平衡种族、性别和保险代表性，并在边缘和交叉子群层面评估其有效性。研究结果强调了进行全面的公平性评估的必要性，这些评估需要考虑多个指标和子群分辨率，以确保可靠和公平的临床预测。
-
新的GLoC-EHR模型增强了电子健康记录的临床推理能力
研究人员开发了GLoC-EHR，一个用于利用电子健康记录（EHR）进行临床推理的多模态语言模型。该模型通过对整个记录的全局记忆和特定事件的局部记忆来处理患者的临床轨迹。GLoC-EHR经过训练，能在回答临床问题前引用证据，在MIMIC-IV结果任务上表现优于其他模型和零样本LLM。
-
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。
-
新的AI框架MedCertAIn增强了具有不确定性感知的临床风险预测
研究人员开发了MedCertAIn，一个旨在提高临床环境中使用的AI模型的可靠性和不确定性估计的新框架。该框架专门解决了整合多模态数据（如患者时间序列数据和胸部X光图像）以预测院内死亡风险的挑战。通过采用考虑跨模态相似性和模态特定数据损坏的数据驱动先验，MedCertAIn旨在为高风险临床应用提供更安全、更值得信赖的预测。
-
新的 LLM 提示方法提高了 ICU 死亡率预测的公平性
研究人员开发了一种名为案例提示（CAP）的新框架，以提高用于预测重症监护室（ICU）死亡率的大型语言模型（LLM）的公平性。这种无需训练的方法在推理过程中将包括存在人口差异的相似历史案例作为上下文证据。在 MIMIC-IV 数据集上的实验表明，与基线提示相比，CAP 显著提高了预测性能，将 AUROC 从 0.806 提高到 0.873，将 AUPRC 从 0.497 提高到 0.694。虽然 CAP 减少了与性别和种族相关的差异，但…
-
新的多专家框架提高了阿片类药物过量风险预测的准确性
研究人员开发了OverdoseMoE，一个新颖的多专家框架，旨在利用患者的诊断历史来预测阿片类药物过量风险。该框架基于Qwen模型，特别是OODMAMBA和OODQWEN，这些模型经过微调以适应特定诊断。OverdoseMoE将这些模型与互补的专家加权策略相结合，与单一模型基线相比，显示出预测性能的提高。该系统在MIMIC-IV队列上取得了25.17的AUPRC和69.49的AUROC，在识别高风险患者方面表现出鲁棒性和更高的精确度。
-
新EHR2Trace系统为AI临床代理标准化患者数据
研究人员开发了EHR2Trace，一个旨在标准化和审计电子健康记录（EHR）数据以训练AI模型的系统。该基础设施解决了不同来源记录患者事件方式的不一致性问题，确保了可追溯性和可重复性。EHR2Trace将数百万个事件转换为共享表示，区分了医嘱、配药和给药，并已证明其能够检测注入的故障并揭示在未经整理的数据上训练的模型的性能膨胀。
-
新的基准测试使用嘈杂的电子健康记录数据来检验 AI 智能体在稳健临床推理方面的能力
研究人员开发了 EHR-RobustGym，这是一个旨在测试和训练 AI 智能体使用电子健康记录 (EHR) 进行临床推理能力的新环境。该系统使用 MIMIC-IV 数据集（包含超过 5 亿条记录）来创建嘈杂的数据对，通过记录、数值和查询级别的噪声来挑战智能体。评估表明，当前的大型语言模型在面对嘈杂数据时，任务成功率会显著下降，凸显了稳健性方面的巨大差距。
-
新的置信预测方法解决了跨医院的临床数据缺失问题
研究人员开发了一种新的置信预测方法，该方法解决了不同医院临床测量数据缺失的问题。这种缺失感知程序旨在确保在根据是否记录特定测量值定义的患者群体内实现准确的覆盖。在利用 eICU 和 MIMIC-IV 数据集进行的死亡率预测任务上进行测试时，与池校准相比，该方法在减少覆盖差距方面有所改进，尽管在所有设置和预测器上的收益并不一致。
-
ViSTA 适配器将大语言模型与临床时间序列数据连接起来
研究人员开发了 ViSTA，这是一种新颖的适配器，旨在将临床时间序列数据集成到多模态大语言模型中。该适配器允许预训练的视觉-语言模型处理不规则的数值测量，从而增强其在医疗保健领域的预测能力。ViSTA 在 MIMIC-IV 数据集上实现了急性肾损伤和死亡率预测的高性能，甚至优于那些进行了大量基于文本推理的模型。
-
新方法嵌入临床概念，同时保留医学代码层级结构
研究人员开发了双曲临床本体嵌入（HCOE），这是一种表示临床概念的新颖方法，可以保留医学代码的层级结构。HCOE将现有的BioBERT嵌入映射到庞加莱球中，将本体引导的对比学习与层级聚合相结合。该方法在预测临床关系、迁移层级知识以及在MIMIC-IV数据集上改进死亡率预测和药物推荐等任务的结果方面表现出优越性能。
-
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。
-
健康AI评估方法在新的研究论文中被重新审视
一篇新论文探讨了电子健康记录（EHRs）中人工智能的评估，解决了可重复性方面的挑战，并定义了临床上有意义的任务。研究人员重新实现了12种算法，并在MIMIC-IV和NWICU数据集上进行了测试，将专家定义的任务与随机生成任务进行了比较。研究发现，算法比较在不同评估设置下基本保持一致，但临床上有意义的任务揭示了任务和方法之间更细微的交互作用。值得注意的是，在使用现代EHR表示时，梯度提升树在与新算法的竞争中仍然具有竞争力，这表明任务工程…
-
新框架优化医疗中心的联邦学习
研究人员开发了自适应贝叶斯伙伴选择（ABPS），一个旨在改善医疗保健领域联邦学习的点对点框架。该方法通过使临床中心能够根据预测效用智能选择协作者来解决数据异质性和概念漂移等挑战。ABPS使用具有Shapley值和上限置信度准则的贝叶斯方法来管理通信成本并避免负迁移，甚至允许在有益时进行有意隔离。使用MIMIC-IV数据进行的院内死亡率预测实验表明，ABPS-X能够以显著降低的通信开销和可变性匹配强大的联邦基线。
-
知识增强型电子健康记录特征提供高效的医院再入院预测
研究人员开发了一种新方法，利用结构化电子健康记录（EHR）数据并结合医学知识源来预测30天内的医院再入院。该方法避免了对临床记录的需求，因为临床记录计算成本高且可解释性差。通过整合疾病本体论、手术分类、药物成分和实验室数据，该系统创建了稀疏且易于理解的患者表示。在MIMIC-IV数据集上评估，最佳配置达到了0.743的AUROC，与使用临床记录的方法相当，但计算成本显著降低。
-
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。