预测未来疾病：时间知识图谱和医学本体的融合 电子健康记录（Electronic Health Records，EHRs）是现代医疗机构不可或缺的工具。它们记录了患者的详细健康历史，包含人口统计数据、药物、实验室结果和治疗计划。这些数据不仅可以改善医疗服务之间的衔接和协调，还能帮助医疗提供者发现健康趋势并做出数据驱动的决策，从而提高患者的整体护理质量。然而，EHRs中存储的大部分数据是非结构化的，特别是由临床医生撰写的描述患者健康状况的自由文本数据，这给信息提取和有效利用带来了巨大的挑战。 为了应对这一挑战，许多研究尝试通过自然语言处理（Natural Language Processing，NLP）技术从非结构化数据中提取相关信息并将其链接到医学本体。最近的研究中，知识图谱（Knowledg...

EHR-HGCN：一种用于电子健康记录文本分类的新型混合异构图卷积网络方法 学术背景介绍 随着自然语言处理（NLP）的迅速发展，文本分类已经成为该领域一个重要的研究方向。文本分类不仅帮助我们理解文献背后的知识，还在生物医学文本，包括电子健康记录（Electronic Health Records, EHR）等领域有着广泛的应用。现有的研究主要集中在基于双向变压器的编码表示方法（如BERT）和卷积神经网络（CNN）的深度学习方法。然而，这些方法在处理医学长文本时往往面临输入长度的限制和高计算资源的需求。与此同时，针对文本分类的代表性CNN方法往往只提取了附近上下文特征，忽略了文本中更长范围的关系。 为了解决这些问题，近年来异构图卷积网络（Heterogeneous Graph Convolut...

医学包推荐系统研究：基于双层次交互意识的异构图神经网络 随着电子健康记录（electronic health records, EHRs）在医疗领域中的广泛应用，如何从中挖掘潜在的、有价值的医学知识来支持临床决策，成为深度学习技术的重要研究方向之一。个性化医学包推荐是这一领域的重要任务之一，其目标是利用大量医疗记录帮助医生为每位患者选择更安全、有效的药物包。然而，现有的医学包推荐方法主要将任务建模为多标签分类或序列生成问题，主要关注的是个体药物与其他医学实体之间的关系，却普遍忽视了药物包与其他医学实体之间的交互，从而可能导致推荐的药物包不完整。此外，现有方法所考虑的医学常识知识相对有限，使得深入研究医生的决策过程变得非常困难。 来源概述 本文由山东大学软件学院的研究人员Fanglin Zhu...

面向全科诊断决策的基于知识图谱的可解释个性化认知推理模型 背景介绍 全科医学作为社区和家庭医疗的重要组成部分，覆盖了不同年龄、性别、器官系统及各类疾病。其核心理念是以人为中心、以家庭为单位，强调长期负责的综合健康维护和促进。然而，现有证据显示，中国的初级卫生保健（Primary Health Care, PHC）质量仍未达到令人满意的水平。在临床诊断和治疗准确性方面存在着显著需要提升的空间。为了应对这一问题，基于人工智能的决策工具逐渐成为全科医生诊断疾病的有力辅助。然而，现有的研究主要存在两个问题：一是缺乏足够的可扩展性和解释能力；二是现有模型大多操作复杂，难以适用于实际的全科医疗环境。 论文来源 这篇名为《An Explainable and Personalized Cognitive ...

分层注意力关系网络在诊断预测中的应用 近年来，电子健康记录（Electronic Health Records，简称EHR）在提高医疗决策、在线疾病检测和监测方面变得极为有价值。同时，基于深度学习的方法在利用EHR进行健康风险预测和诊断预测方面也取得了巨大的成功。然而，深度学习模型通常需要大量的数据，由于参数的庞大数量。此外，EHR数据中存在大量罕见的医学代码，这对临床应用带来了巨大的挑战。因此，一些研究提出采用医学本体来增强预测性能并提供可解释的预测结果。然而，这些医学本体通常规模较小且粒度较粗，缺乏许多诊断和医学概念，更不用说这些概念之间的各种关系了。 为了克服这一限制，本文提出将现有的大规模医学知识图谱（Knowledge Graph，简称KG）结合到诊断预测中，并设计了一种名为HAR...

利用电子健康记录特征识别未诊断的常见变异型免疫缺陷症患者 Johnson等人最近在 Science Translational Medicine 发表了一篇题为《Electronic health record signatures identify undiagnosed patients with common variable immunodeficiency disease》的研究论文。该研究通过电子健康记录(EHRs)和机器学习算法PheneT，识别未被诊断的普通变量免疫缺陷病（common variable immunodeficiency，CVID）的患者，为更早的诊断和治疗提供新途径。 研究背景和研究目的 人类先天性免疫缺陷（inborn errors of immunity...

大语言模型利用电子健康记录中识别健康的社会决定因素 背景及研究动机 健康社会决定因素（Social Determinants of Health, SDOH）对患者的健康结果具有重要影响。然而，在电子健康记录（EHR）结构化数据中，这些因素的记录往往不完整或缺失。大语言模型（Large Language Models, LLMs）有望从EHR的叙述性文本中高通量提取SDOH，以支持研究和临床护理。然而，类别不平衡和数据限制为这种稀疏记录的关键信息带来了挑战。本文旨在探讨使用LLMs从EHR叙述性文本中提取六种SDOH类别（就业、住房、交通、父母身份、关系和社会支持）的最佳方法。 研究来源 这项研究由Harvard Medical School的Mass General Brigham人工智能...