通过混合隐马尔可夫模型对长期疾病患者轨迹进行亚群分组，从而实现个性化医疗，该模型在研究中表现出较常见基准的优势

Apr, 2024

本研究提出了一种名为因果轨迹预测（CTP）的新模型来克服现有机器学习模型在提供因果可解释预测和估计治疗效果方面的局限性，通过将轨迹预测与因果发现相结合，准确预测疾病进展轨迹并揭示特征之间的因果关系，从而加强模型的可解释性和为临床决策提供有价值的观察。

Aug, 2023

我们提出了一个深度生成时间序列的方法，利用潜在的时间过程来对复杂疾病轨迹进行建模和全面分析。通过结合生成方法与医学知识，我们展示了学习到的时间潜在过程可用于进一步数据分析和临床假设测试，包括发现相似患者和对疾病进行新的子类型聚类。此外，我们的方法能够进行个性化在线监测和多变量时间序列的预测，包括不确定性量化。我们在建模系统性硬化病过程中展示了我们方法的有效性，展示了我们机器学习模型捕捉复杂疾病轨迹和获取新医学知识的潜力。

Nov, 2023

医疗记录的时间序列中，通过使用马尔可夫生成模型来建模不规则的时间间隔，将临床治疗的子类型和疾病进展模式从数据中恢复和准确建模。

Nov, 2023

基于医学影像的个性化医学，可以准确预测未来个体化临床疾病进展和治疗反应，对于长期、复杂、异质性的无法治愈的疾病（如多发性硬化症（MS））的医疗和药物开发具有巨大影响。本文提出了第一个用于建模疾病进展的连续时间因果框架，利用神经随机微分方程（NSDE）。该因果推断模型以患者的高维影像（MRI）和表格数据为输入，预测潜空间中不同治疗的真实和反事实进展轨迹。NSDE 允许估计高置信度的个性化轨迹和治疗效果。在多中心独家数据集上进行了大量实验，该数据集包括在多个随机临床试验中获得的患者 3D MRI 和临床数据。我们的结果展示了第一个基于不确定性的因果深度学习（DL）模型，可以准确预测未来患者的 MS 残疾发展（如 EDSS）和治疗效果，利用基线 MRI，并且可以发现在临床试验中没有达到临床终点的患者亚组，模型对他们的治疗反应具有高置信度。

Jun, 2024

通过使用神经 ODE 和 SDE 模拟疾病进展的图像流场，ImageFlowNet 框架能够学习多尺度联合表示空间，并通过结合患者群体来传递信息，从而在长期医学图像数据集中准确预测疾病进展。

Jun, 2024

本研究采用机器学习方法，结合各种测量指标，包括检验实验室检测结果等信息，使用 Long Short-Term Memory 和两种卷积神经网络，基于 298K 患者 8 年行政索赔数据中的 18 种常见实验室检测结果，对 133 种疾病风险进行预测，并通过数据实验结果对比分析表明，疾病预测方面基于深度学习的方法有很好的应用前景。

Aug, 2016

本研究提出了一种基于电子病历的端到端模型，采用代数视图将离散的医学对象嵌入连续向量空间，并将每次就医记录的疾病和共病以及治疗方法均袋化为一个函数集，通过建立疾病和治疗方法在每次就诊时的交互关系，预测患者可能的再次住院风险，初步结果表明该模型在糖尿病和精神健康领域具有很好的预测效果。

Nov, 2017

提出了一个基于多方面图的路径模型，一种考虑流逝时间的新的路径相似度度量，以及一种基于传统中心性度量的路径挖掘方法，通过评估妊娠和糖尿病的病例，展示了该框架在发现类似路径、易于解释的表示以及根据多方面视角突出显示最重要模式方面的实用性。

Sep, 2023

我们提出了一个针对医疗保健的个性化和可靠的预测模型，可以提供个性化的诊断、治疗和预防等医疗服务。该模型利用深度神经网络学习众多病人的复杂全局趋势，并利用高斯过程对每个病人的个性化时间序列进行概率建模，从而比标准时间序列深度模型如纯循环神经网络（RNN）具有更实用的优势。

Jun, 2018