本研究提出了一种基于多任务循环神经网络和注意机制的方法，用于预测心血管事件。与标准的临床风险评估模型相比，该模型在预测中风和心肌梗死方面具有更好的性能，并且在短期内的预测效果可以通过使用多任务学习得到提升。同时，该研究还探讨了个体特征和注意力权重对于预测心血管事件的重要性，并证明了机器学习技术可以被应用于二级保健。

Jul, 2020

本文介绍了一种实际上应用的病人分流系统的操作组件。通过对德文医生笔记的学习，使用了一种基于注意力机制的卷积神经网络模型，实现了对病人紧急性的评估和提供了最恰当的医疗建议以及时间。此外，一种检测警告症状的方法也被介绍。

Sep, 2018

本文提出了一种基于标签依赖的注意模型 LDAM 来提高疾病风险预测的可解释性，在利用 Clinical-BERT 编码生物医学有意义的特征和标签的同时，扩展联合嵌入的想法，开发了多模态学习框架，整合了来自医学记录和时间序列健康状态指标的异构信息，并在 MIMIC-III 测试集上进行了实验验证。

Jan, 2022

本文提出了一种基于注意力机制的神经网络模型即 CATNet，用于对医学事件进行预测，并在两个公共数据集上进行了实验验证。

Apr, 2022

用于心力衰竭风险预测的 ECG 网络模型基于 12 导联心电图数据，通过大型语言模型的预训练提高预测能力和透明度，为早期心力衰竭诊断和预防提供潜在的改进。

Mar, 2024

本文提出了一种新颖的神经注意机制，采用了双注释数据集和深度学习模型来分类放射学头部计算机断层摄影报告，并使用注意力分析生成热力图以突出 CNN 模型使用的关键单词，证明该模型在医学决策等方面具有应用价值。

Aug, 2017

本研究使用两个电子病历文本库和四个预测任务，探索了注意机制在神经模型中的作用，发现注意机制的加入有望提高模型性能，但对预测的支持意义尚不明确。

Apr, 2019

我们提出了一种基于图的关注机制模型（GRAM），通过对医学本体的层级信息进行补充，将医疗电子记录 (EHR) 描述成医学本体中的祖先组合形式，并通过自适应关注机制实现对医学本体的解释性学习，提高了医疗预测建模的准确性和解释性。

Nov, 2016

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

该论文针对临床时间序列数据，采用注意力机制代替循环神经网络，提出了一种新的架构 SAnD（Simply Attend and Diagnose），并证明该方法在多项诊断任务中表现优异，胜过 LSTM 模型和基于手工特征的经典基线模型。

Nov, 2017