非结构化数据表征增强的术后风险预测模型

准确的术后风险预测对临床资源的规划、应急方案的准备以及患者术后风险和死亡率的降低具有积极的作用。目前,术后风险预测主要基于患者的基本信息、术前的实验室检查及术中的生命体征等结构化数据,蕴含着丰富语义信息的非结构化术前诊断的价值尚待验证。针对上述问题,该文提出一种非结构化数据表征增强的术后风险预测模型,利用自注意力机制,将结构化数据与术前诊断进行信息加权融合。基于临床数据,该文将所提出的模型与术后风险预测常用的统计机器学习模型以及最新的深度神经网络进行对比,在肺部并发症风险预测、ICU入室风险预测和心血管不良风险预测任务上的F1值平均提升了9.533%,同时预测模型还具有良好的可解释性。

基于批数据过采样的中医临床记录四诊描述抽取方法

中医临床记录四诊描述抽取对中医临床辨证论治的提质增效具有重要的应用价值,然而该任务尚有待探索,类别分布不均衡是该任务面临的关键挑战之一。该文围绕中医临床记录四诊描述抽取任务展开研究,首先构建了中医临床四诊描述抽取语料库;然后基于无标注的中医临床记录微调通用预训练语言模型实现该模型的领域适应;最后利用小规模标注数据,采用批数据过采样算法,完成中医临床记录四诊描述抽取模型的训练。实验结果表明,该文提出的抽取方法的总体性能均优于对比方法,并且与对比方法的最优结果相比,该文方法将少见类别的抽取性能F1值平均提升了2.13%。

术后风险预测任务的结构化数据生成方法

近年来,医学领域越来越重视使用多中心数据共享的方式来提高模型的泛化能力。然而,共享医疗数据有隐私暴露的风险。类别不平衡也是使用术前结构化数据预测术后风险的一个挑战,它严重影响了模型的预测性能。这两个问题限制了术前数据的共享以及分类器在术后风险预测的效果。为了解决这些问题,论文提出了一种新的方法,使用生成对抗网络生成与真实数据相似的数据,用于训练分类模型和数据共享。实验证明生成对抗网络能生成高质量的数据。生成数据在特征分布上与真实数据高度相似,且用于术后风险预测后能有效提升术后风险预测的效果。此外,实验还验证了生成数据的隐私性,这为学术研究中的数据共享提供了新的可能性。

基于时空信息分段融合模型的术中低血压预测

准确提前预测术中低血压的发生对术中选择紧急方案以及降低患者术后的不良风险和死亡率具有积极作用。术中低血压预测目前主要基于术中患者的各项生理指标数据,但现有方法未能充分考虑多指标间的时间信息和空间信息。针对以上问题,提出基于时空信息分段融合模型的术中低血压预测,先使用全卷积网络或残差网络提取局部空间信息,再使用门控循环单元提取时间信息并进行预测。通过对比术中低血压预测常用的深度神经网络模型,在原始和填补的临床数据的术中低血压预测中,不仅提高了低血压事件的预测准确性,还在面对数据填补时表现出一定的容忍度,能够应对噪声和不确定性的影响。

一种通道自适应与局部增强的Transformer术中血压预测方法

准确预测术中患者的血压状态来预防术中低血压,对提高手术安全性和降低术后并发症有积极作用,以往的低血压预测方法主要视为二分类任务,忽略了患者血压变化的过程,从而限制了干预策略的制定。因此提前预测血压的变化趋势,具有更重要的临床研究和应用价值。针对以上问题,对通过监测的术中生理序列实时预测未来5min、10min、15min血压的连续值展开研究,并提出了一种通道自适应与局部增强Transformer模型,该模型采用卷积注意力机制捕捉血压序列的局部相似性,同时提出一种通道自适应模块嵌入模型来建模生理序列潜在交互关系。结果表明,该模型相比于基准模型在5min、10min、15min预测精度分别提升4.88%、8.2%和8.42%,预测的平均动脉压的MAE分别为2.997、3.393、3.743,且显著优于其余对比模型,为术中血压预测提供新的解决方案。