本研究提出了一种概念感知的无监督用户嵌入方法，结合来自 MIMIC-III 和 Diabetes 两个临床语料库的文本文档和医学概念，用于疾病诊断和病人特征研究等领域，实验证明该方法的性能明显优于现有的无监督方法。

Mar, 2022

本文提出了一种将电子健康记录中的医疗概念和患者转化为临床有意义的构建特征的基于数据驱动的方法，从而通过时间关系来学习医学概念的表示和病人向量，达到对诊断和治疗的性能优化。

Feb, 2016

本研究使用连续词袋模型和注意力机制以及加入时间信息的方法进行医疗代码嵌入，实验结果表明该方法明显优于五种现有的基准模型。

Jun, 2018

本研究旨在构建一个基于电子健康记录的与概念相关性有关的新基准，并评估现有数据集的优缺点，进而利用最先进的嵌入方法对新数据集进行测试，以此来应对与健康护理相关的人工智能应用中存在的相关性模型的挑战。

Oct, 2020

本文提出了一种计算框架，称为 Patient2Vec，以学习可解释的深度纵向电子健康记录数据表达，并将其应用于实际患者信息以预测未来住院情况，该方法展现出明显的预测性能优势。

Oct, 2018

DeepEnroll 是一种跨模态推理学习模型，通过在共享潜在空间中联合对招募标准和病人记录进行编码，以进行匹配推理，并通过数字信息嵌入和蕴含模块来进行推理。在真实世界的数据集上，DeepEnroll 表现优异，平均 F1 分数比最佳基线高 12.4%。

Jan, 2020

我们提出了一个动态嵌入和分词框架，通过学习多模态临床时间序列的时间感知表示，并结合时间交叉注意力，将其整合到滑动窗口关注的多任务 Transformer 分类器中，在预测超过 120,000 例住院手术的九种术后并发症的示例任务中，使用来自美国三家医院和两个学术医疗中心的多模态数据，我们的嵌入和分词框架优于基线方法。

Mar, 2024

本文介绍了一种新的对比表示学习目标和训练方案，针对临床时间序列。该方法能将高维的医疗记录数据投影到低维的封闭单位球上，以编码几何先验，从而学习患者的死亡风险和器官功能，该方法可用于在线患者监测，并可提供临床医生的决策支持和改进下游机器学习任务的性能。

Apr, 2022

本文探索使用深度神经网络模型以及学习的医疗特征嵌入（medical feature embedding）来处理从纵向电子病历数据中提取实用的临床表现（clinical representations）所面临的高维和时间性问题。作者在利用多层卷积神经网络（CNN）进行参数化时成功捕捉到了 EHR 纵向演变的复杂非线性关系，并在处理 EHR 的本地 / 短期时间依赖性上取得了良好的效果，对于失能心力和糖尿病患者的风险预测表现也优于基线模型。

Jan, 2017

本文提出使用语义嵌入方法，将原始、杂乱的临床数据直接与下游学习架构耦合，以实现最小化预处理。我们从捕捉和编码数据表示中的复杂数据依赖性的角度考虑这一步骤，而不是在模型中实现，该方法允许使用快速，轻量级和简单的模型进行下游处理，对于没有机器学习专业知识的研究人员非常有用。我们通过三个典型的临床预测任务证明了高度压缩的嵌入数据表示捕获了大量有用的复杂性，尽管在某些情况下，压缩并非完全无损。

Feb, 2018