发文黑马！五分之二二区以上！| MIMIC-IV数据库周报（6.26~7.2）

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。

2024.6.26-2024.7.2PubMed数据库“标题/摘要：MIMIC-IV OR MIMIC-III”搜索发现，共发表14篇MIMIC-IV论文。其中1篇一区、5篇二区。

中国学者文章

1.中国学者文章介绍（一）

文章题目：心脏手术后虚弱与急性肾损伤之间的关系:通过一项国际、回顾性、多队列研究揭示体脂的调节作用。

研究背景：急性肾损伤(AKI)是心脏手术后常见且严重的并发症，严重影响患者预后。鉴于现有的治疗方案有限，确定可改变的风险因素至关重要。虚弱和肥胖这两种不同的生理状态对AKI的识别和预防具有重要意义。我们的研究调查了心脏手术后虚弱、身体成分和AKI风险之间的相互作用，为患者管理策略提供信息。

数据来源：这项回顾性队列研究包括三个国际队列。对2014年至2019年在中国武汉XX医院接受心脏手术的成年患者进行了初步分析。我们用两个独立的国际队列，重症监护医学信息市场IV (MIMIC-IV)和eICU合作研究数据库的数据来检验我们研究结果的普遍性。

方法：使用基于临床实验室的虚弱指数 （FI-LAB） 评估虚弱，而全身脂肪百分比 （BF%） 则根据考虑 BMI、性别和年龄的公式计算。采用Logistic回归模型分析虚弱、体脂和AKI之间的关联，并调整相关协变量。

结果：该研究共纳入了三个国际队列的 8785 名患者。在对武汉XX医院3,569名患者的初步分析中，中度和重度虚弱与心脏手术后AKI风险增加有关。此外，观察到体脂百分比与AKI风险之间存在非线性关系。当按虚弱程度分层时，较低的体脂与AKI的发生率降低相关。使用 MIMIC-IV 和 eICU 队列（分别为 n=3,951 和 n=1,265）的扩展分析验证了这些发现，并表明较低的总 BF% 与 AKI 发生率降低相关。调节分析显示，虚弱对AKI风险的影响受体脂百分比的调节。敏感性分析显示结果与主要分析一致。

结论：心脏手术后，虚弱程度越高，AKI风险升高，总BF%调节了这种关系。这项研究强调了将虚弱和体脂评估纳入常规心血管护理的重要性，以识别 AKI 的高危患者并实施个性化干预以改善患者预后。

外国学者文章

2.外国学者文章介绍（一）

文章题目：电子健康档案共享基础模型适应性的多中心研究。

研究背景：基础模型通过提供可适应各种下游任务的模块化组件，使AI开发更具可扩展性和成本效益，正在改变医疗保健领域的人工智能(AI)。结构化电子健康记录(EHR)的基础模型接受了来自数百万患者的编码医疗记录的训练，它展示了一些好处，包括用更少的训练标签提高了性能，并提高了对分布变化的鲁棒性。然而，在医院之间共享这些模型的可行性及其在本地任务中的表现仍然存在问题。

数据来源：实验使用病童医院(SickKids)和重症监护医疗信息市场(MIMIC-IV)的电子病历数据。

方法：这项多中心研究检验了一个可公开访问的结构化电子病历基础模型(FMSM)的适应性，该模型接受了斯坦福医学院2.57万例患者记录的训练。我们通过对局部数据的持续预训练来评估适应性，并与从头开始的局部训练模型(包括局部基础模型)的基线相比，评估任务适应性。

结果：对8个临床预测任务的评估表明，采用现成的FMSM与在所有数据上进行局部训练的梯度增强机(GBM)的性能相匹配，同时在任务特定训练标签较少的情况下提供13%的改进。对局部数据的持续预训练表明，FMSM只需要不到1%的训练样本就能达到完全训练好的GBM的性能，并且比从头开始训练局部基础模型的样本效率高60%到90%。

结论：我们的研究结果表明，跨医院调整EHR基础模型可以以更低的成本提高预测性能，强调基础基础模型作为模块化组件的效用，以简化医疗保健人工智能的开发。

3.外国学者文章介绍（二）

文章题目：通过时间知识图和医学本体预测未来疾病。

研究背景：尽管电子健康记录(EHRs)具有巨大的见解和价值潜力，但要充分利用所有可用信息，特别是临床医生撰写的描述患者健康状况的自由文本数据中包含的信息，是一项挑战。使用命名实体识别和链接工具不仅可以对包含在自由文本数据中的信息进行结构化，而且还可以与医学本体集成，这可能对分析患者的病史非常有益，目的是预测未来的医疗结果，例如诊断一种新的疾病。

数据来源：从MIMIC-III提取的临床记录。

方法：在本文中，我们提出了MedTKG，一个时间知识图(TKG)框架，它结合了患者临床病史的动态信息和医学本体的静态信息。TKG用于将病史建模为不同时间点的一系列快照，从而有效地捕获患者健康状态的动态特性，而静态图用于对从领域本体提取的概念的层次结构进行建模。提出的方法旨在通过识别四组< s, r，?，t >中的缺失对象来预测未来的疾病，其中s和r分别表示患者和疾病关系类型，t为查询的时间戳。

结果：根据从MIMIC-III提取的临床记录对该方法进行了评估，并证明了TKG框架在预测未来疾病和提高医学本体性能方面的有效性。

4.外国学者文章介绍（三）

文章题目：TA-RNN:一种基于注意力的时间感知递归神经网络结构。

研究背景：电子健康记录(EHRs)代表了患者病史的综合资源。电子病历对于利用深度学习(DL)等先进技术至关重要，使医疗保健提供者能够分析大量数据，提取有价值的见解，并做出精确的数据驱动的临床决策。递归神经网络(RNN)等深度学习方法已被用于分析电子病历，以模拟疾病进展和预测诊断。然而，这些方法并没有解决电子病历数据中一些固有的不规则性，如临床就诊之间的不规则时间间隔。此外，大多数深度学习模型都是不可解释的。

数据来源：阿尔茨海默病神经影像学倡议(ADNI)、国家阿尔茨海默病协调中心(NACC)数据集和医疗信息市场(MIMIC-III)数据集。

方法：在本研究中，我们提出了两种基于RNN的可解释深度学习架构，即时间感知RNN (TA-RNN)和TA-RNN-自动编码器(TA-RNN- ae)，分别用于预测患者下次就诊和多次就诊的电子病历临床结果。为了减轻不规则时间间隔的影响，我们建议将两次访问之间的时间嵌入。为了可解释性，我们建议在每次访问之间和每次访问中的特征之间采用双重注意机制。

结果：在阿尔茨海默病神经影像学倡议(ADNI)和国家阿尔茨海默病协调中心(NACC)数据集上进行的实验结果表明，与基于F2和灵敏度的最新和基线方法相比，所提出的预测阿尔茨海默病(AD)的模型具有优越的性能。此外，TA-RNN在重症医疗信息市场(MIMIC-III)数据集上显示出卓越的死亡率预测性能。在我们的消融研究中，我们观察到结合时间嵌入和注意机制的预测性能增强。

结论：最后，调查注意力权重有助于确定预测中的有影响力的访问和特征。

5.外国学者文章介绍（四）

文章题目：通过以对象为中心的流程挖掘增强医疗保健流程分析:将OMOP公共数据模型转换为以对象为中心的事件日志。

研究目的：本研究旨在通过引入以对象为中心的过程挖掘(OCPM)来增强对医疗保健过程的分析。通过提供考虑各种对象之间相互作用的整体视角，OCPM超越了传统的以患者为中心的流程挖掘方法的限制，确保对医疗保健动态有更详细和更全面的理解。

数据来源：我们使用MIMIC-IV数据库。

方法：我们开发了一种将观察性医疗结果伙伴关系公共数据模型(OMOP CDM)转换为以对象为中心的事件日志(ocel)的新方法。首先，从标准OMOP CDM创建OMOP CDM4PM，重点关注与生成OCEL相关的数据，并解决医疗保健数据的异构性和标准化挑战。其次，根据指定的医疗保健标准将该子集转换为OCEL，包括识别各种对象类型、临床活动及其关系。在MIMIC-IV数据库上对该方法进行了测试，以评价其有效性和实用性。

结果：我们提出的方法在应用于MIMIC-IV数据集时有效地产生ocel，从而允许在医疗保健行业实施OCPM。我们严格地评估抽象的全面性和层次，以验证我们的方法的有效性。此外，我们还创建了各种以对象为中心的流程模型，这些模型经过精心设计，可以处理医疗保健流程中固有的复杂性。

结论：我们的方法通过同时整合多个视点引入了一种新的视角。据我们所知，这是OCPM在医疗保健领域的首次应用，标志着该领域的重大进步。

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