研究论文开放式访问 在上共享 混合推理序列自动编码网络预测术中低氧血症作者:汉阳 线路接口单元,迈克尔 蒙大拿,丁文 锂,大通(Chase) 伦弗罗,托马斯 坎纳梅利、和陈阳 卢作者信息和声明CIKM’22:第31届ACM信息与知识管理国际会议记录2022年10月页1269-1278https://doi.org/10.1145/3511808.3557420出版:2022年10月17日 出版历史 获取引文提醒新增引文提醒!此警报已成功添加,将发送到:只要您选择的记录被引用,您就会收到通知。新引文提醒!拜托登录到您的帐户 PDF格式电子阅读器目录CIKM’22:第31届ACM信息与知识管理国际会议记录混合推理序列自动编码网络预测术中低氧血症页1269-1278以前的文章大规模实体对齐的高质量任务划分上一个下一篇文章空间众包中基于联合偏好学习的任务分配下一步摘要工具书类信息和贡献者文献计量学和引文视图选项工具书类媒体桌子分享摘要我们提出了一个端到端模型,使用流式生理时间序列来预测低氧血症的近期风险,低氧血症是一种罕见但危及生命的疾病,已知会在手术期间对患者造成严重伤害。受低氧血症事件是基于低血氧饱和度(即血氧饱和度)实例的未来序列定义的这一事实的启发,我们提出了混合推理网络(hiNet),该网络对未来的低血氧浓度实例和低氧血症结果进行混合推理。hiNet集成了1)一个联合序列自动编码器,它同时优化了用于标签预测的鉴别解码器,以及2)两个经过训练用于数据重建和预测的辅助解码器,它们无缝地学习捕获从当前状态到未来状态过渡的上下文潜在表示。所有解码器共享一个基于内存的编码器,该编码器有助于捕获患者测量的全局动态。对于一个大型学术医疗中心72081个手术的大型手术队列,我们的模型优于强大的基线,包括最先进的低氧血症预测系统所使用的模型。hiNet能够以临床可接受的报警率实时预测近期低氧血症,因此有望改善临床决策并减轻围手术期护理负担。工具书类[1]Bai,S.、Kolter,J.Z.和Koltun,V.,序列建模中一般卷积和递归网络的经验评估。arXiv预印本arXiv:1803.1271(2018)。谷歌学者[2]Ballinger,B.,Hsieh,J.,Singh,A.,Sohoni,N.,Wang,J.、Tison,G.、Marcus,G.,Sanchez,J.和Maguire,C.,Olgin,J.等人。《心底:心血管风险预测的半监督序列学习》。AAAI人工智能会议(2018),第32卷。交叉参考谷歌学者[3]Baytas,I.M.、Xiao,C.、Zhang,X.、Wang,F.、Jain,A.K.和Zhou,J.通过时间感知lstm网络进行患者子类型划分。在ACM SIGKDD知识发现和数据挖掘会议(2017)上,第65-74页。数字图书馆谷歌学者[4]Chen,T.和Guestrin,C.Xgboost:一个可扩展的树木提升系统。在ACM SIGKDD知识发现和数据挖掘会议(2016)中,第785-794页。数字图书馆谷歌学者[5]Dai,A.M.和Le,Q.V.半监督序列学习。神经信息处理系统会议与研讨会28(2015),3079-3087。谷歌学者[6]Davis,J.和Goadrich,M.《精确再调用曲线和roc曲线之间的关系》。在机器学习国际会议(2006)上,第233-240页。数字图书馆谷歌学者[7]Dunham,C.M.、Hileman,B.M.、Hutchinson,A.E.、Chance,E.A.和Huang,G.S.围手术期低氧血症常见于全身麻醉期间的水平定位,与主要不良结果相关:一项对连续患者的回顾性研究。BMC麻醉学14,1(2014),1-10。谷歌学者[8]Ehrenfeld,J.M.、Funk,L.M.、Van Schalkwyk,J.、Merry,A.F.、Sandberg,W.S.和Gawande,A.手术期间低氧血症的发生率:来自两个机构的证据。加拿大麻醉学杂志57,10(2010),888--897。交叉参考谷歌学者[9]ElMoaqet,H.、Tilbury,D.M.和Ramachandran,S.K.对生理时间序列中的临界水平进行多步预测。IEEE控制论汇刊46,7(2016),1704-1714。交叉参考谷歌学者[10]Erion,G.、Chen,H.、Lundberg,S.M.和Lee,S.-I.麻醉学水平预测低氧血症,仅使用spo2数据进行深度学习。神经信息处理系统研讨会ML4H(2017)。谷歌学者[11]Fritz,B.A.、Cui,Z.、Zhang,M.、He,Y.、Chen,Y.,Kronzer,A.、Abdallah,A.B.、King,C.R.和Avidan,M.S.预测术后30天死亡率的深度学习模型。英国麻醉学杂志123,5(2019),688-695。谷歌学者[12]Gong,D.,Liu,L.,Le,V.,Saha,B.,Mansour,M.R.,Venkatesh,S.,and Hengel,A.V.D.记忆常态以检测异常:记忆增强型深层自动编码器用于无监督异常检测。在国际计算机视觉会议(2019年)上,第1705-1714页。交叉参考谷歌学者[13]Hendrycks,D.、Lee,K.和Mazeika,M.使用预训练可以提高模型的稳健性和不确定性。国际机器学习会议(2019年)。谷歌学者[14]Laffin,A.E.、Kendale,S.M.和Huncke,T.K.,肥胖患者门诊内镜检查期间低氧血症的严重程度和持续时间:一项回顾性队列研究。加拿大麻醉学杂志(2020年)。谷歌学者[15]Laptev,N.、Yosinski,J.、Li,L.E.和Smyl,S.。uber的神经网络时间序列极端事件预测。《机器学习国际会议》(2017),第34卷,第1-5页。谷歌学者[16]Lea,C.、Flynn,M.D.、Vidal,R.、Reiter,A.和Hager,G.D.动作分割和检测的时间卷积网络。在计算机视觉和模式识别会议(2017年)上,第156-165页。交叉参考谷歌学者[17]Li,D.、Lyons,P.G.、Lu,C.和Kollef,M.Deepalerts:基于深度学习的肿瘤医院病房临床恶化多水平警报。《AAAI人工智能会议(AAAI)人工智能会议记录(2020)》,第34卷,第743-750页。交叉参考谷歌学者[18]Liu,H.,Han,J.和Nie,F.用递归投影嵌入半监督正交图。国际人工智能联合会议(2017),第2308-2314页。交叉参考谷歌学者[19]Liu,H.、Lou,S.S.、Warner,B.C.、Harford,D.R.、Kannamallil,T.和Lu,C.Hipal:使用电子健康记录中的活动日志预测医生职业倦怠的深层框架。ACM SIGKDD知识发现和数据挖掘会议(2022年)。数字图书馆谷歌学者[20]Lou,S.S.、Liu,H.、Warner,B.C.、Harford,D.、Lu,C.和Kannampallil,T.使用临床活动日志预测医生职业倦怠:模型绩效和经验教训。《生物医学信息学杂志》127(2022),104015。数字图书馆谷歌学者[21]Lundberg,S.M.,Nair,B.,Vavilala,M.S.,Horibe,M.,Eisses,M.J.,Adams,T.,Liston,D.E.,Low,D.K.-W.,Newman,S.F.,Kim,J.等人。手术期间预防低氧血症的可解释的机器学习预测。《自然生物医学工程》2,10(2018),749-760。交叉参考谷歌学者[22]Mehta,C.和Mehta、Y.难治性低氧血症的治疗。《心脏麻醉年鉴》19,1(2016),89。谷歌学者[23]Meyer,A.、Zverinski,D.、Pfahringer,B.、Kempfert,J.、Kuehne,T.、Sündermann,S.H.、Stamm,C.、Hofmann,T.,Falk,V.和Eickhoff,C.《机器学习用于实时预测危重病护理并发症:一项回顾性研究》。《柳叶刀呼吸医学》6,12(2018),905-914。交叉参考谷歌学者[24]Nguyen,H.、Jang,S.、Ivanov,R.、Bonafide,C.P.、Weimer,J.和Lee,I.在不错过危及生命事件的情况下减少脉搏血氧计假警报。智能健康9(2018),287--296。交叉参考谷歌学者[25]Santoro,A.、Bartunov,S.、Botvinick,M.、Wierstra,D.和Lillicrap,T.使用记忆增强神经网络进行元学习。在国际机器学习会议(2016)上,第1842-1850页。数字图书馆谷歌学者[26]Srivastava,N.、Mansimov,E.和Salakhudinov,R.使用lstms进行视频表征的无监督学习。在国际机器学习会议(2015)上,第843--852页。数字图书馆谷歌学者[27]Sukhbaatar,S.,Weston,J.,Fergus,R.等人,端到端存储器网络。神经信息处理系统会议和研讨会(2015年),第2440-2448页。谷歌学者[28]Suresh,H.、Szolovits,P.和Ghassemi,M.使用自动编码器发现患者表型。神经信息处理系统会议和研讨会ML4H(2017)。谷歌学者[29]Van Der Maaten,L.使用基于树的算法加速t-sne。《机器学习研究杂志》15,1(2014),3221-3245。谷歌学者[30]Wang,Z.,Yan,W.和Oates,T.,用深度神经网络从头开始时间序列分类:一个强大的基线。在国际神经网络联合会议(2017年)上,IEEE,第1578-1585页。谷歌学者[31]West,C.P.、Dyrbye,L.N.、Erwin,P.J.和Shanafelt,T.D.《预防和减少医生职业倦怠的干预措施:系统回顾和荟萃分析》。《柳叶刀》38810057(2016),2272-2281。交叉参考谷歌学者[32]世界卫生组织。脉搏血氧仪培训手册,2011年。谷歌学者[33]Yu,F.和Koltun,V.通过扩张卷积进行多尺度上下文聚合。arXiv预印本arXiv:1511.07122(2015)。谷歌学者[34]Zhou,Y.、Arpit,D.、Nwogu,I.和Govindaraju,V.联合训练对深度自动编码器更好吗?arXiv预印arXiv:1405.1380(2014)。谷歌学者[35]Zhu,L.和Laptev,N.对uber的时间序列进行深入而自信的预测。在国际数据挖掘研讨会(2017年)上,第103-110页。交叉参考谷歌学者 引用人查看全部薛B说A徐Z刘浩沙阿N杨H佩恩·P鲁C辛格A太阳YAkoglu L公司古诺普洛斯D严X库马尔R奥兹坎F叶J(2023)通过分离潜在表征帮助临床决策难以获得的治疗第29届ACM SIGKDD知识发现和数据挖掘会议记录10.1145/3580305.3599774(5360-5371)在线发布日期:2023年8月6日https://dl.acm.org/doi/10.1145/3580305.3599774 索引术语 混合推理序列自动编码网络预测术中低氧血症应用计算生命与医学健康信息学计算方法人工智能知识表示和推理时间推理 建议 术中低血压的记录和治疗:电子麻醉记录与纸质麻醉记录 在这项研究中,我们检查了在单个手术人群中实施电子麻醉记录文档(AIMS)前后的麻醉记录。这项研究的目的是确定麻醉护理中的任何不一致之处。。。阅读更多信息时间敏感性人工神经网络预测糖尿病患者低血糖 1型糖尿病T1DM是一种以患者血液中葡萄糖水平升高为特征的慢性疾病。它会导致严重的并发症,包括肾脏和心脏病、中风和失明。正确对待。。。阅读更多信息利用去噪自动编码器对智能手表采集的重构光容积描记信号进行心房颤动检测摘要可穿戴设备收集的光体积描记(PPG)信号已被证明在准确检测心房颤动(AF)方面是有效的,前提是这些数据没有运动和噪声伪影(MNA)。以前有很多研究。。。阅读更多信息 评论 Please enable JavaScript to view thecomments powered by Disqus. 信息和贡献者问询处发布时间 CIKM’22:第31届ACM信息与知识管理国际会议记录2022年10月5274页国际标准图书编号:9781450392365内政部:10.1145/3511808总主席:穆罕默德·哈桑美国印第安纳波利斯印第安纳大学普渡大学,李雄美国亚特兰大埃默里大学 版权所有©2022所有者/作者。本作品是根据Creative Commons Attribution-NonCommercial-ShareAlike International 4.0许可证授权的。赞助商SIGWEB:ACM超文本、超媒体和网络特别兴趣小组美国计算机学会信息检索特别兴趣小组出版商计算机协会美国纽约州纽约市出版历史出版:2022年10月17日检查更新作者标记自动编码器深度序列学习低氧血症预测生理时间序列限定符研究文章资金来源Fullgraf基金会华盛顿大学/BJC医疗保健大创意医疗创新奖会议CIKM’22赞助商:SIGWEB公司SIGIR公司CIKM’22:第31届ACM信息与知识管理国际会议2022年10月17日至21日佐治亚州,亚特兰大,美国 接受率CIKM’22论文接受率621,2257份提交,28%;8427份提交文件中的总接受率为1861份,占22%更多 即将召开的会议 CIKM’24 赞助商: 西格尔 西吉尔 第33届ACM信息与知识管理国际会议 2024年10月21日至25日 博伊西,身份证件,美国 贡献者 其他指标查看文章指标文献计量学和引文文献计量学 文章指标 1引文总数查看引文232总下载次数下载量(最近12个月)135下载次数(最近6周)15 其他指标查看作者指标引文 引用人查看全部薛B说A徐Z刘浩沙阿N杨H佩恩·P鲁C辛格A太阳YAkoglu L公司古诺普洛斯D严X库马尔R奥兹坎F叶J(2023)通过分离潜在表征帮助临床决策难以获得的治疗第29届ACM SIGKDD知识发现和数据挖掘会议记录10.1145/3580305.3599774(5360-5371)在线发布日期:2023年8月6日https://dl.acm.org/doi/10.1145/3580305.3599774 视图选项查看选项 PDF格式以PDF文件查看或下载。PDF格式 电子阅读器使用联机查看电子阅读器.电子阅读器获取访问权限 登录选项检查您是否可以通过登录凭据或您的机构访问本文。登录完全访问权限获取此出版物 媒体数字其他桌子分享分享共享此出版物链接复制链接已复制!复制失败。在社交媒体上分享Linkedin公司重新编辑电子邮件附属公司汉阳 线路接口单元美国密苏里州圣路易斯市华盛顿大学查看个人资料迈克尔 蒙大拿美国密苏里州圣路易斯市华盛顿大学查看个人资料丁文 锂美国密苏里州圣路易斯市华盛顿大学查看个人资料大通(Chase) 伦弗罗美国密苏里州圣路易斯市华盛顿大学查看个人资料托马斯 坎纳梅利美国密苏里州圣路易斯市华盛顿大学查看个人资料陈阳 卢美国密苏里州圣路易斯市华盛顿大学查看个人资料