.png){kind=icon}
返回
A multimodal embedding model for sepsis data representation
.png){kind=icon}
OA
AI
DOI：10.1038/s41746-026-02446-3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
败血症研究长期以来受到有限标注数据和针对特定任务设计的、主要依赖表格输入的模型的限制，忽视了临床文本中包含的宝贵见解。为解决这些局限性，我们提出了败血症数据表示模型（SepsisDRM），一种联合处理表格和文本数据以捕捉全面患者表示的嵌入模型。在包含19,526名败血症患者的数据集上进行训练后，SepsisDRM在多样化的败血症相关任务上表现出强大的泛化能力，且无需任务特定调优。它能够有效地将患者分层为四种临床可解释的表型，并在预测28天结局方面取得稳健性能，在回顾性、前瞻性和外部数据集上的AUC分数分别为0.92、0.94和0.78。作为首个专为败血症开发的嵌入模型，SepsisDRM为败血症研究确立了新的范式，并为其他涉及表格和文本数据整合的研究领域提供了有前景的方法。
Keyword:
Biomarkers
Computational biology and bioinformatics
Diseases
Mathematics and computing
Medical research
Medicine/Public Health
general
Biomedicine
Biotechnology
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
15.1
论文数:
3.3K
被引数:
1.5W
机构
引用论文
分享收藏Deep learning with multimodal representation for pancancer prognosis prediction基于多模态表示的深度学习在癌症预后预测中的应用OAAI
OAAI分享收藏Prediction of early unplanned intensive care unit readmission in a UK tertiary care hospital: a cross-sectional machine learning approach.png)
BMJ OpenOAAI
BMJ OpenIF0
OAAI分享收藏Sepsis-induced endothelial dysfunction drives acute-on-chronic liver failure through Angiopoietin-2-HGF-C/EBPβ pathwayHEPATOLOGY
OAAI
HEPATOLOGYIF15.8
OAAI分享收藏2001 SCCM/ESICM/ACCP/ATS/SIS International Sepsis Definitions Conference2001 SCCM/ESICM/ACCP/ATS/SIS国际脓毒症定义会议
PREAI
分享收藏
查看更多内容