标签
TRACE是一个多模态框架，将每日临床事件（电子健康记录、胸部X光片、放射学报告、出院小结）组织为时序轨迹，用于住院患者风险预测，在MIMIC-IV、eICU和MIMIC-III队列的九个数据集-任务组合中均取得了最高的AUROC。
Healthleap 完成了种子轮和 A 轮合计 3800 万美元的融资，用于扩展其 AI 平台。该平台可阅读医院患者病历，并标记出存在营养不良、谵妄等未确诊疾病风险的患者。这家初创公司的产品目前已部署于 50 多家医院，包括 Penn Medicine 和 Cedars-Sinai，过去一年营收增长了 10 倍。
本文提出了一种无需访问模型内部信号即可监控网页代理的方法，通过可观测轨迹和关键步骤监督来提前预测失败。该方法在多个基准测试中表现出与基于内部信号的基线方法相当的性能。
本文提出结构化证据路由，一种路由器-预测器-审阅者工作流程，用于从多模态纵向电子健康记录进行事件风险预测。该方法在性能上与现有方法具有竞争力，并提供可解释的患者特定证据轨迹。
本文构建了一个多维框架，用于评估基于机器学习的2型糖尿病风险预测模型的区分度、校准度、可解释性和算法公平性，揭示了在现实世界分布偏移下性能显著下降以及按年龄和肥胖程度存在的偏差。
加州大学伯克利分校的研究人员利用数十万份心电图训练了一个AI模型，该模型能够检测到一种此前未被识别的信号，相比现有方法更准确地预测心脏性猝死风险，每年有望挽救数千人的生命。
本文介绍了LiverRisk，一个用于NAFLD风险预测的机器学习框架，它结合了梯度提升决策树和一致性预测，为个体风险评估提供校准后的无分布覆盖保证，在内部和外部队列上均实现了高AUROC。
本研究评估了五种用于慢性肾脏病风险预测的机器学习分类器，发现近乎完美的内部性能在分布偏移下失效。强调在临床部署前需要校准稳定性和共形覆盖迁移。
本文介绍了yvsoucom-iterkit，一个确定性的日志驱动AutoML框架，用于医疗风险预测中可复现的流水线优化。在糖尿病和中风数据集上评估了超过18,000个流水线配置，取得了强劲的性能，并揭示了具有组件冗余的结构化搜索空间。