sepsis
PulseAugur coverage of sepsis — every cluster mentioning sepsis across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。
-
神经符号AI管道评估脓毒症治疗合规性
研究人员开发了一个神经符号管道来评估脓毒症治疗中的临床合规性，将大型语言模型与Sugeno模糊推理系统相结合。该方法将混乱的临床数据映射到标准化词汇表，并评估对 Surviving Sepsis Campaign bundle 规则的遵守情况。该系统应用于 MIMIC-IV v3.1 中的 2,400 多个脓毒症病例，识别出抗生素用药时间和一小时内护理的关键环节中断，并注意到基于合规性水平的 ICU 住院时间差异。
-
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。
-
评估人工智能临床工具对患者护理的影响
一家医院实施了一套人工智能警报系统，旨在检测败血症和患者病情恶化的早期迹象，主要在夜班期间。该系统对患者护理和工作流程的实际影响正在评估中，初步观察表明需要进一步评估其在实际应用中的有效性。
-
新的EHR-MPC框架使用生成式患者孪生优化脓毒症治疗
研究人员开发了EHR-MPC，一个用于优化重症监护室（ICU）脓毒症治疗的新框架。该系统利用从电子健康记录（EHR）生成的患者数字孪生，来预测各种干预措施下的临床轨迹。通过将患者动力学学习与治疗优化分离，EHR-MPC在推理时使用模型预测控制进行治疗规划，与传统的强化学习方法相比，显示出改进的模拟性能。
-
联邦学习提高医院间脓毒症预测准确性
研究人员开发了一个联邦学习框架，以改进多家医院的脓毒症早期预测。该方法允许机构在不共享原始患者数据的情况下协同训练模型，解决了医疗数据分析中的隐私问题。使用三家中国医院数据的实验表明，联邦模型在防止数据重建攻击的同时，实现了与集中式方法相当的预测准确性。
-
Google DeepMind AI 加速疾病研究，识别关键蛋白质
Google DeepMind 的 Co-Scientist AI 工具正在通过识别传染病的潜在分子开关来加速生物学研究。Clare Bryant 教授正在使用 Co-Scientist 快速生成和完善关于流感和败血症等病原体如何从动物传播给人类的假设。该 AI 已帮助精确找到特定的蛋白质和氨基酸，显著加快了 Bryant 团队的实验过程，可能将多年的工作缩短到几个月。