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

本文提出了 ConCare 方法来处理不规则的电子病历数据并提取特征之间的关系以进行个性化医疗预测。该方法模拟了时间感知分布，进一步通过跨头部去关联来改善多头自我关注，以有效捕获动态特征和静态基线信息之间的相互依赖关系以形成个人健康背景。实验结果表明 ConCare 的有效性，并且由医学专家和医学文献经验证实了 ConCare 提取的医学发现

Nov, 2019

Deepr 是一个新的端到端深度学习系统，从医疗记录中提取特征并自动预测未来风险。它将医疗记录转换为一系列离散元素，并使用卷积神经网络检测和组合预测性的局部临床模式来分层风险。在医院数据上验证表明，Deepr 比传统技术具有更高的准确性，可以检测到有意义的临床模式，并揭示疾病和干预空间的潜在结构。

Jul, 2016

本研究提出了一种基于深度学习的疾病诊断系统，采用注意力机制和情节记忆来实现生命周期学习，以应对序列疾病诊断任务，并在多个医院收集的临床笔记数据集上取得了最先进的诊断表现。

Feb, 2021

本文提出了一种结合了结构化信息和文本医疗笔记的通用多任务框架，用于预测疾病发病率。与传统的基于文本的预测模型相比，我们的方法不需要特定于疾病的特征工程，并且可以处理存在于文本中的否定和数值。在 100 万名患者的队列中，我们的模型表明使用文本的模型优于仅使用结构化数据的模型，并且能够使用文本中的数值和否定，进一步提高预测性能。此外，我们比较了医疗专业人员用于解释模型预测的不同可视化方法。

Aug, 2018

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

该研究使用深度学习和电子病历数据解决医师判断与实际治疗不符的问题，自动评估患者以预测死亡率，从而及时引导患者到姑息治疗服务，提高住院患者的临终护理水平。

Nov, 2017

提出了一种基于深度生成模型的注意力神经网络架构，对高维、纵向数据中的患者生物标志物进行建模，达到了可扩展和准确预测疾病进展的效果，同时在实际临床数据上提供了癌症进展动态的解释性见解。

Feb, 2021

利用长短期记忆和层次注意力机制，建立深度学习模型解决 ICU 中生理时间序列数据的不规则和缺失问题，实现对 ICU 死亡风险的预测，并在 PhysioNet 2012 数据集上取得了竞争力和可解释性的结果。

Jul, 2017

使用电子健康记录进行循证医学和准确预测，通过 Fast Healthcare Interoperability Resources (FHIR) 格式表示病人的原始病历记录，并使用深度学习方法进行多中心的多个医疗事件预测，包括住院死亡率、未经计划的 30 天再入院率、医院停留时间延长、所有患者的最终出院诊断等。

Jan, 2018