标签
This paper introduces a framework to audit clinical prediction models by distinguishing between learner inefficiencies and measurement limitations, validated on multiple cohorts to guide whether to improve models or data collection.
ATHENA是一个知识引导的代理神经架构搜索框架，通过跨医院重用架构知识来自动化Transformer基础的电子健康记录建模，以减少人工调优。
本文针对临床预测中治疗导致的标签不确定性问题，以心脏骤停后神经预后判断为案例研究。作者提出了一个纳入专家对反事实结果标注的框架，并强调了确定病例与不确定病例之间准确性的权衡。
本文介绍了MiGHT-EHR，一种针对异质时序EHR数据的多任务图变换器，联合建模临床实体、时间轨迹和任务依赖。在MIMIC-III和MIMIC-IV上，它在药物推荐、住院时长、死亡率和再入院预测方面均优于现有最先进方法。
本文提出了Patients-like-me（PLM），一个统一的LM-GNN框架，将局部患者语义与全局队列结构相结合，用于可解释的临床预测。它引入了一种变分期望最大化算法，并在MIMIC-III和MIMIC-IV上展示了最先进的结果，同时提供参考患者解释。
这篇arXiv论文评估了在来自三个医疗系统的ICU EHR数据上，对令牌化生成式事件模型（GEMs）进行联邦训练的效果，结果表明联邦学习能够保留集中式训练的大部分性能，并且与传统监督模型相比，提高了跨站点的可迁移性。
介绍了CT-HEG，一种用于ICU死亡预测的连续时间异质EHR图模式，通过消融研究表明双向连接和时间注意力边特征很重要；令人惊讶的是，在MIMIC-IV队列上，简化的同质图优于完整的异质模型。
本文介绍了xMICD，一种将ICD代码分组与预训练嵌入相似性相结合的方法，以创建低维、临床可解释的患者表示，其预测性能可与基于嵌入的方法相媲美。
一项对190项研究的范围综述，描述了使用电子健康记录（EHR）数据进行手术风险分层和结局预测的端到端机器学习流程，并识别了预处理、评估和可解释性方面的方法论空白。
提出一种用于零样本ICU谵妄预测的轻量化知识注入框架，该框架在推理时用外部临床知识增强结构化电子健康记录数据摘要，在无需微调的LLaMA模型上，AUROC提升高达8.57个百分点。
该论文提出将多模态患者数据（文本、实验室结果、生命体征）转换为单一自然语言序列，并对大型语言模型进行微调以用于临床预测，在三个任务中实现了与专用融合架构相当或更优的性能。
本文研究了利用结构化健康记录的多层次视图，通过交互感知的Mixture-of-Experts进行中风后僵硬预测。尽管性能提升微乎其微，但路由归因揭示了不同视图间系统性的重要性差异，强调视图构建是实现可解释性的关键。
本文提出了一种用于临床预测的显式多模态路由框架，利用EHR数据，通过离散的单模态、双模态和三模态路径，以及推理时路径掩码来模拟缺失模态，实现对结构化变量、临床笔记和胸部X射线的可解释、鲁棒且可审计的推理。
本文系统比较了在电子健康记录数据中Transformer的离散、连续和混合值编码策略，发现基于分箱的混合令牌方法具有稳健的性能，并推荐作为实用的默认选择。
本文提出了一种方法，利用冻结的医学大型语言模型（LLM）表示作为共享嵌入空间，从结构化和非结构化电子健康记录数据中预测主要ICD诊断类别，在MIMIC-IV上取得了优于基线方法的准确率，并展示了向MIMIC-III的迁移能力。
PORTER是一种基于语言的结构化电子病历基础模型，通过文本描述和数值表示临床事件，能够实现跨机构的词汇无关迁移，无需重新训练。在儿科预测任务中，PORTER与固定词汇模型性能相当，并在迁移至未见事件描述时恢复了97.1%的AUROC。
介绍了一种基于基础模型的框架，用于CT影像与纵向EHR数据之间的跨模态表示对齐，以实现时间-事件预测，并在肺栓塞和心血管疾病队列上评估了融合策略。
QDSP 是一种可解释的结构化学习框架，用于预测极低出生体重婴儿的死亡或脑瘫，集成了配额引导子空间采样和可微决策引导结构感知。在一个真实队列和外部数据集上，它优于 XGBoost、TabNet 和 TabPFN 等基线模型，并识别了临床相关的预测因素，如 cPVL 和出生体重。
本文提出了一种混合框架，将结构化临床数据与LLM生成的叙述相结合，用于冠状动脉疾病预测，在变量提取方面实现了高保真度，并比较了机器学习模型与基于LLM的零样本和少样本分类。
提出ReTAMamba，一种使用基于Mamba的可靠性感知时间聚合进行不规则临床时间序列预测的方法，在MIMIC-IV、eICU和PhysioNet 2012上取得了显著的AUPRC提升。