详情请点击下方:
重症医学数据库(MIMIC)是由计算生理学实验室开发的公开数据集,其中包括与数千个重症监护病房入院相关的去识别化健康数据,致力于推动临床信息学、流行病学和机器学习的研究。
MIMIC数据库于2003年在美国国立卫生研究院的资助下,由美国麻省理工学院计算生理学实验室、美国哈佛医学院贝斯以色列女执事医疗中心(Beth Israel Deaconess Medical Center,BIDMC)和飞利浦医疗公司共同建立。
MIMIC 数据库目前已经产生了MIMIC Ⅱ、Ⅲ、Ⅳ三个版本,包含了BIDMC所有内外科ICU患者的数据。MIMIC Ⅲ数据库收集了BIDMC 2001年6月至2012年10月ICU收治的53423例成年患者数据和2001年至2008年收治的7870例新生儿重症患者数据。MIMIC Ⅳ数据库在MIMIC Ⅲ的基础上做了一些改进,包括数据更新和部分表格重构,收集了2008至2019年BIDMC收治的超过19万名患者、45万次住院记录的临床数据。
数据库收集了三类数据:临床数据,从ICU信息系统和医院档案中汇总;高分辨率生理数据,从床边监护仪获得;死亡数据,来自社会保障局死亡档案。
2024.5.15-2024.5.21PubMed数据库“标题/摘要:MIMIC-IV OR MIMIC-III”搜索发现,共发表10篇MIMIC-IV论文。其中1篇一区,3篇二区。
外国学者文章
1.外国学者文章介绍(一)
文章题目:卒中分类器:缺血性卒中病因分类通过集成共识模型使用电子健康记录。
研究目的:确定急性缺血性卒中(AIS)的病因是二级卒中预防工作的基础,但在诊断上可能具有挑战性。
数据来源:使用来自2家学术医院的2039名非隐源性AIS患者的电子健康记录(EHR)文本来预测中风病因学的4级结果,该结果由至少2名委员会认证的血管神经学家对EHR的审查达成一致。
方法:我们训练并验证了一个自动分类工具,卒中分类器,StrokeClassifier是一个由9个机器学习分类器组成的集成共识元模型,用于通过自然语言处理从出院摘要文本中提取特征。卒中分类器在406份来自MIMIC-III数据集的出院总结中进行了外部验证,由血管神经学家审查以确定卒中病因。
结果:与血管神经科医生的诊断相比,StrokeClassifier的多类分类平均交叉验证准确率为0.74,加权F1为0.74。在MIMIC-III中,其准确率和加权F1分别为0.70和0.71。在二元分类中,这两个指标的范围从0.77到0.96。预测脑卒中病因的前5位特征为房颤、年龄、大脑中动脉闭塞、颈内动脉闭塞和脑卒中额部位置。我们设计了一种确定性启发式方法,根据9个分类器之间的一致程度将StrokeClassifier诊断的置信度分级为非隐性,并将其应用于788例隐性患者,将隐性诊断从25.2%降低到7.2%。
结论:StrokeClassifier是一种经过验证的人工智能工具,在缺血性中风病因分类方面可与血管神经学家相媲美。通过进一步的培训,StrokeClassifier可能有下游应用,包括作为临床决策支持系统的使用。
2.外国学者文章介绍(二)
文章题目:利用生成式人工智能构建合成数据集,训练大型语言模型,从临床记录中分类急性肾功能衰竭。
研究目的:比较利用语言模型的分类器在合成临床笔记和真实临床笔记上训练时的性能。
数据来源:MIMIC-III数据库。
方法:使用语言模型的分类器被开发来识别急性肾功能衰竭。比较四种类型的训练数据:(1)来自MIMIC-III的笔记;和(2、3、4)由ChatGPT生成的不同文本长度的合成笔记,分别为15 (GPT-15句子)、30 (GPT-30句子)和45 (GPT-45句子)。根据MIMIC-III的测试集计算受者工作特性曲线下的面积(AUC)。
结果:使用RoBERTa,MIMIC-III、GPT-15、GPT-30-和GPT-45句子训练集的AUC分别为0.84、0.80、0.84和0.76。
结论:训练语言模型从临床笔记中检测急性肾功能衰竭,在使用合成与真实训练数据时,结果相似。
3.外国学者文章介绍(三)
文章题目:评估过渡到第11版国际疾病分类(ICD-11)对合并症指数的影响。
研究目的:本研究旨在支持《国际疾病分类》(ICD-11)第11版的实施。我们使用常见合并症指数作为案例研究,主动评估过渡到ICD-11的死亡率和发病率统计(ICD-11-MMS)对现实世界数据分析的影响。
数据来源:利用MIMIC-IV数据库和先前版本的ICD和ICD-11-MMS的临床修改之间的映射表,我们聚集了一个诊断可以在ICD-11- MMS中表示的人群。
方法:通过比较不同ICD版本的Charlson和Elixhauser合并症指数(CCI, ECI)的人群分布,以及合并症权重的调整,我们评估了ICD版本对横断面分析的影响。
结果:我们发现,ICD版本可能导致(1)人口分布的改变和(2)在重新加权倡议中可分配给合并症类别的权重的变化。此外,本研究允许为CCI和ECI的每个组成部分创建相应的ICD-11-MMS代码列表。
结论:进一步的研究对于提高ICD-11-MMS的可用性至关重要,同时在确定后减轻其对分析可比性的不利影响。
4.外国学者文章介绍(四)
文章题目:萨尔茨堡重症监护数据库(SICdb):与MIMIC-IV的详细探索和比较分析。
研究背景:人工智能(AI)在医疗保健领域的应用正在增加,这就需要更多地访问(公共)医疗数据以进行基准测试。。
数据来源:近年来,医疗保健的数字化促进了医疗数据科学家获得广泛的医院数据,促进了基于人工智能的研究。这一趋势的一个值得注意的补充是萨尔茨堡重症监护数据库(SICdb),该数据库于2023年初公开提供。该数据集涵盖了2013年至2021年萨尔茨堡大学医院超过2.7万例重症监护住院病例,为人工智能驱动的调查提供了宝贵的资源。
方法:本文探讨了SICdb,并与广泛认可的重症监护医疗信息市场-版本IV (MIMIC-IV)数据库进行了比较分析。比较侧重于关键方面,强调SICdb提供的数据的可用性和粒度,特别是生命体征和实验室测量值。
结果:分析表明,与MIMIC-IV相比,SICdb提供了更详细的信息,具有更高的数据可用性和信号数据的时间分辨率,特别是对于生命体征。这有利于重症监护病房患者健康状况的纵向研究。SICdb为医疗数据科学家和研究人员提供了宝贵的资源。该数据库提供了一个欧洲国家的全面和多样化的医疗保健数据,使其非常适合基准测试和增强基于人工智能的医疗保健研究。
结论:研究结果强调了不断努力扩大和提供公共数据集以推进医疗保健领域的人工智能应用的重要性。
5.中国学者文章介绍(一)
文章题目:用于预测脓毒症合并急性肾损伤患者死亡风险的机器学习模型的开发和验证。
研究背景:脓毒症致急性肾损伤(S-AKI)患者的死亡率明显升高。预后指标的初步分类对阐明和增强疾病结果有有益的影响。
研究目的:本研究旨在利用机器学习技术预测S-AKI患者的死亡风险。
数据来源:通过四步程序确定的样本量产生1508个样本。研究设计需要纳入重症监护医学信息市场(MIMIC)-IV数据库中的S-AKI患者。患者最初入住重症监护病房(ICU)住院。此外,这些患者(年龄从18岁到89岁)在入院当天曾发生过S-AKI。
方法:以住院死亡为结局变量,分析了42个预测因素。训练集(4001例)由70%的参与者组成,剩余的(1714例)参与者分配到验证集。此外,一个额外的验证集(MIMIC-III)由来自MIMIC-III数据库的1757例患者组成。此外,来自北京友谊医院重症监护室的外部验证集包括72例患者。预测中使用了6种机器学习模型,分别是logistic、lasso、rpart、random forest、xgboost和人工神经网络模型。新开发的模型与APACHE II模型在预测死亡风险方面的比较效果也进行了评估。
结果:XGBoost模型在训练集上表现出优异的性能。使用内部验证集和两个外部验证集(MIMIC-III和BFH), xgboost算法表现出最高的性能。同时,APACHE II在使用BFH验证集预测死亡风险方面表现不佳。死亡风险受三个主要临床参数的影响:尿量、乳酸水平和格拉斯哥昏迷评分(GCS)。
结论:因此,我们开发了一种预测S-AKI患者死亡风险的模型,与以前的模型相比,该模型的性能有所提高,是临床预测和治疗S-AKI的潜在有价值的工具。
更多文章如下:
中国学者:
外国学者:无
一个专门做公共数据库的公众号,关注我们
详情请点击下方: