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

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

这篇研究针对肺动脉高压这一疾病，使用人工神经网络技术，将心电图作为较简易的筛查工具，达到较高的检测准确度，以实现对该疾病的早期诊断和治疗，降低其相关死亡率和发病率。

Apr, 2023

开发了一个可解释的机器学习系统，用于预测有心血管风险的患者中的慢性肾脏病，在全球解释性框架、生物医学相关性和安全性评估等方面具有突出优势。

Apr, 2024

使用机器学习技术基于血流动力学数据开发的模型能够在 30 分钟内诊断卒中亚型，在前 3 小时内预测死亡，并在短短的 15 分钟内预测卒中复发。

May, 2023

对基于电子健康记录数据的深度学习预测模型的最新进展进行系统综述，并讨论了预测建模在医疗保健中的挑战、基准和工具，以及未来研究的方向。

Feb, 2024

本研究提出了基于深度注意模型的高风险心血管疾病预测模型，对单纯的高血压患者病史序列进行预测，通过比较双向门控循环单元模型和一维卷积多层模型，实验结果表明该模型的分类精度优于传统模型，并且具有更好的性能表现。

Nov, 2017

利用深度学习和转换器模型，我们提出了一种方法，通过预测临床评分的假设任务，联合从电子病历和超声心动图提取的全部描述符，学习表征艰难识别的心血管病理（高血压），并详细描述了高血压对多个心脏功能描述符的影响。

Jan, 2024

使用预测性机器学习模型和电子健康记录来预测心理诊断患者的死亡率所带来的持久挑战，机器学习算法（逻辑回归、随机森林、支持向量机和 k 近邻）的结果表明随机森林和支持向量机模型优于其他模型，AUC 得分为 0.911，药物处方，尤其是硫酸吗啡在预测中起到关键作用。这项研究可用于帮助医院工作人员识别有风险的患者，减少过度死亡。

Oct, 2023

本文综述了当前神经自然语言处理方法在电子病历应用中的广泛运用，包括分类和预测，词嵌入，提取，生成以及其他诸如问答、表型、知识图谱、医学对话、多语言性和可解释性等领域。

Jul, 2021