使用现代可解释的机器学习技术设计准确可解释的死亡风险评分模型，通过评估医疗中心的风险，研究领域的泛化性，并开发了一种新的算法 GroupFasterRisk，其风险评分模型在设计灵活性上比黑盒机器学习模型优于传统风险评分模型。

Nov, 2023

本文提出了一种新的数据驱动评分系统方法，称为超稀疏线性整数模型 (SLIM)，通过求解一个整数编程问题，直接编码精确度和稀疏度的度量，限制系数为互质整数，且能够无缝地包含一系列相关操作约束，从而能够创造高度定制的模型。

Feb, 2015

该研究展示了机器学习系统在通过风险评分预测患者不良事件方面的巨大潜力，但未来介入干预政策会对风险评分产生影响，所以在此提出了一种联合模型来更加明确地传达有关未来干预的假设。通过将典型风险评分与未来干预概率评分相结合，可以提供更可解释的临床预测。

Jul, 2022

在这篇论文中，我们提出了一种个性化的实时风险评分算法，基于病人的（时间性）实验室测试和生命体征提供及时和细致的临床状况评估，确保临床恶化的病人能够及时转入重症监护室，该风险评分系统通过从离线电子健康记录数据中学习一组潜在的患者亚型，并训练一组高斯过程 (GP) 专家，每个专家可以模拟与特定患者亚型相关的生理数据流，从而实现。

Oct, 2016

文章提出一种基于排序算法的疾病严重程度评分学习框架（DSSL），可将患者的测量数据转化为与专家评分一致的严重程度分数，将其应用于感染性休克疾病的严重程度评分，得到的分数在排序和早期治疗方面均明显优于现有的临床评分，并且对不同治疗方案的变化具有更好的泛化性能。

Jul, 2015

本文探讨了一种新的数据标记和数据收集模式，解决了评估高风险和低风险的两大难点。利用这种选择式的数据标记模式，以及最优实验设计方法构建了共 188 个样例和 24 个特征的模型。结果表明，在测试集上取得了 89% 的准确率和 93% 的 ROC 曲线下面积，对于银行反洗钱等工作有较强的实际应用价值。

Nov, 2018

使用混合整数线性规划技术，我们提出了一种可解释的，具有稀疏性和公平性约束的多类别分类评分系统，扩展了 Rudin 和 Ustun 提出的适用于二元分类的 SLIM 框架。

Apr, 2023

本文提出了一种数据驱动的、可推广的割平面方法 Cut Ranking，用于选择多实例学习中的切割。通过训练一个由特征决定的评分函数，该方法被证明比传统的启发式算法更为有效，可适用于具有不同特性的多种问题，且在实验和在线 A / B 测试中效果显著。

May, 2021

本文介绍了一种名为 Supersparse Linear Integer Model 的分类模型，可以用于创建精准、可解释的评分系统，主要应用于医学和犯罪学领域，并通过数值试验表明其较之基于数值的分类模型具有更高的精度和稀疏度。

Jun, 2013

这项研究介绍了一种新颖的机器学习方法，用于构建多类别可解释评分系统（MISS），这是一种完全数据驱动的方法，用于生成针对多类别分类问题的单一、稀疏和用户友好的评分系统。评分系统在医疗保健、刑事司法和其他需要预测可解释性和易用性的领域中普遍应用为决策支持模型。我们的方法可以通过 softmax 函数轻松将得分转换为类别概率，并展示了降维和启发式技术来增强训练效率并减小模型的最优间隙。实验证明，我们的方法在各个领域的数据集上经过广泛评估，具有与其他机器学习模型相当的分类性能指标，并提供了良好校准的类别概率。

Jan, 2024