Core Clinical Mortality Prediction

🚀 CORe模型 - 临床死亡率风险预测

CORe（临床结果表征）模型是用于预测临床死亡率风险的模型，它基于BioBERT进一步优化，能根据患者入院记录精准输出院内死亡风险预测，为临床决策提供有力支持。

🚀 快速开始

加载模型

可以通过transformers库加载该模型：

from transformers import AutoTokenizer, AutoModelForSequenceClassification
tokenizer = AutoTokenizer.from_pretrained("bvanaken/CORe-clinical-mortality-prediction")
model = AutoModelForSequenceClassification.from_pretrained("bvanaken/CORe-clinical-mortality-prediction")

推理示例

以下代码展示了一个推理示例：

input = "CHIEF COMPLAINT: Headaches\n\nPRESENT ILLNESS: 58yo man w/ hx of hypertension, AFib on coumadin presented to ED with the worst headache of his life."

tokenized_input = tokenizer(input, return_tensors="pt")
output = model(**tokenized_input)

import torch
predictions = torch.softmax(output.logits.detach(), dim=1)
mortality_risk_prediction = predictions[0][1].item()

✨ 主要特性

• 专业预训练：基于BioBERT，在临床笔记、疾病描述和医学文章上进行了专门的“临床结果预训练”，能更好地适应医疗领域。
• 精准预测：针对死亡率风险预测任务进行微调，以患者入院记录为输入，输出院内死亡风险的预测结果。

📚 详细文档

CORe模型在论文 Clinical Outcome Predictions from Admission Notes using Self-Supervised Knowledge Integration 中被提出。它基于BioBERT，并在临床笔记、疾病描述和医学文章上进行了进一步的预训练，目标是实现专门的“临床结果预训练”。

此模型检查点是针对死亡率风险预测任务进行微调的。模型以患者入院记录为输入，输出预测的院内死亡风险。

如需了解有关CORe的所有详细信息和联系信息，请访问 CORe.app.datexis.com。

📄 许可证

文档中未提及相关许可证信息。

📖 引用

如果您在研究中使用了该模型，请使用以下BibTeX引用：

@inproceedings{vanaken21,
  author    = {Betty van Aken and
               Jens-Michalis Papaioannou and
               Manuel Mayrdorfer and
               Klemens Budde and
               Felix A. Gers and
               Alexander Löser},
  title     = {Clinical Outcome Prediction from Admission Notes using Self-Supervised
               Knowledge Integration},
  booktitle = {Proceedings of the 16th Conference of the European Chapter of the
               Association for Computational Linguistics: Main Volume, {EACL} 2021,
               Online, April 19 - 23, 2021},
  publisher = {Association for Computational Linguistics},
  year      = {2021},
}