MIMIC-IV-ED
PulseAugur coverage of MIMIC-IV-ED — every cluster mentioning MIMIC-IV-ED across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
开源LLM在急诊科决策支持方面展现潜力
一项新的基准研究评估了八个开源小型语言模型（SLM）在急诊科（ED）决策支持方面的表现，并将其与Claude Haiku 4.5和Claude Sonnet 4.5等商业模型进行了比较。研究发现，使用低秩适配（LoRA）微调的SLM在预测分诊级别和推荐专科转诊方面优于商业基线模型。虽然诊断预测对开源SLM来说仍然是一个挑战，但微调后的模型能够识别出商业替代品所忽略的高危患者，表明它们在本地急诊科环境中具有临床竞争力的潜力。
-
新基准评估人工智能在动态急诊分诊对话中的表现
研究人员推出了 EHR2Dial-Triage，这是一个新的框架和基准，旨在评估急诊科分诊中的对话式人工智能代理。该系统基于电子健康记录 (EHR)，并模拟纵向、交互式对话，能够评估信息检索、证据解释和病情危重程度预测。与使用静态临床快照的先前基准不同，EHR2Dial-Triage 模拟了随时间推移收集和推理患者信息的过程。
-
新型机器学习模型在临床数据不完整的情况下改进急诊分诊
研究人员开发了CRS-Triage，这是一种新颖的机器学习方法，旨在提高急诊室分诊的准确性，尤其是在电子健康记录数据不完整或不可靠时。该系统通过评估结构化数据和临床文本的可靠性以及它们之间的一致性来估计其预测的置信度得分。CRS-Triage可以有选择地推迟其置信度低的病例，并通过略微高估病情严重程度来优先避免漏诊。在MIMIC-IV-ED数据集上的实验表明，与现有方法相比，CRS-Triage提供了更好的风险覆盖权衡。
-
机器学习模型在不平衡临床数据上的评估
一项新近发表在arXiv上的研究，探讨了在不平衡临床数据上使用各种机器学习模型预测危重症结局的有效性。研究人员在MIMIC-IV-ED和eICU数据库上评估了包括基于树的方法和基础模型在内的六种模型家族。研究结果表明，虽然XGBoost在eICU数据集上表现最佳，但TabPFN v2.6和TabICL在MIMIC-IV-ED上取得了优异的成绩，这表明没有单一模型能普遍占优。基础模型为资源受限的临床环境提供了有前景的效率-性能权衡。
-
研究发现：大语言模型在医疗分诊中存在显著性别偏见
一项名为 EQUITRIAGE 的新审计评估了五种大型语言模型在急诊科分诊中的性别偏见，发现所有模型均表现出超过 5% 阈值的偏见。DeepSeek-V3.1 和 Gemini-3-Flash 表现出显著的女性漏诊倾向，翻转率在 9.9% 到 43.8% 之间。虽然人口统计信息匿名化降低了 Gemini 的偏见，但 DeepSeek 仍显示出残留偏见，表明年龄是促成因素之一。该研究强调，不同模型具有不同的潜在偏见机制，并强调在临床部署…