深度学习在医疗时序数据插补中的新视角 ——《How Deep Is Your Guess? A Fresh Perspective on Deep Learning for Medical Time-Series Imputation》综述解读 一、学术背景及研究动因 在医疗健康信息化日益发展的当下，电子健康记录（Electronic Health Records，简称EHR）正成为临床决策和医学研究最重要的数据来源之一。随着大规模、多模态医疗数据的生成，数据中缺失值（Missing Data）的问题日益显现，越来越多的临床预测模型、疾病风险预警系统以及流程优化应用，都绕不过时序数据缺失带来的严峻挑战。尤其是，EHR数据的复杂性和异质性使得传统统计插补方法与经典机器学习插补方法难以充分捕捉其...

基于风险模型的临床决策支持系统在自杀筛查中的应用：一项随机临床试验 学术背景 自杀预防是全球公共卫生领域的重要议题，尤其是在医疗环境中，如何有效识别自杀风险并进行干预是当前研究的重点。传统的自杀风险识别方法主要依赖于患者的自我报告、支持网络的反馈或面对面的筛查。然而，这些方法存在一定的局限性，例如患者可能不愿意主动报告自杀倾向，或者医疗资源有限，无法对所有患者进行全面的筛查。近年来，随着大数据和人工智能技术的发展，基于统计模型的自杀风险评估工具逐渐被引入临床实践，以辅助医生的判断。然而，这些工具在临床决策支持系统（Clinical Decision Support, CDS）中的应用效果尚未得到充分验证。 本研究旨在评估基于风险模型的临床决策支持系统在自杀风险评估中的有效性，特别是比较“中断...

心血管健康电子健康记录应用在癌症幸存者中的有效性研究 学术背景 癌症幸存者的心血管健康（Cardiovascular Health, CVH）问题日益受到关注。研究表明，癌症幸存者的心血管健康状况普遍较差，部分原因是癌症治疗可能带来的心脏毒性，以及癌症与心血管疾病之间的共同风险因素。心血管疾病已成为癌症幸存者中最常见的非癌症死亡原因，甚至在某些常见癌症类型中，心血管疾病导致的死亡超过了癌症复发。因此，如何在癌症幸存者的长期随访中有效评估和管理心血管风险，成为临床实践中的重要课题。 尽管美国国家综合癌症网络（NCCN）和美国临床肿瘤学会（ASCO）等机构已发布指南，建议对癌症幸存者进行心血管健康评估和咨询，但仍有40%-60%的肿瘤科医生表示不会常规与患者讨论心血管风险。这表明，现有的临床实践...

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...