本研究提出了一种基于电子病历数据的的 Med2Vec 方法，通过学习医学代码和访问的分布式表示形式，利用序列访问顺序和访问内部代码的共现关系提供临床医生可验证的基础， 在关键医学应用中显示出与流行基线（如 Skip-gram、GloVe 和堆叠自动编码器）相比的显着改进。

Feb, 2016

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

应用 Transformer 网络和 BERT 语言模型，将包含多种数据模式的电子病历编入一个统一矢量表示，从而实现了病人就诊数据的高效表示，这种方法在 MIMIC-III ICU 数据集上得到了出色的性能和可泛化性。

Aug, 2019

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

利用基于深度学习的无监督框架从电子健康记录中提取患者表现，为下一代个体化医学提供指导。通过将病人轨迹转换为低维潜在向量来对 1,608,741 例患者的电子病历进行了综合分析，发现 ConvAE 可以生成导致临床有意义的见解的患者表示形式。

Mar, 2020

本研究探讨了使用神经网络和迁移学习来学习临床笔记表示以预测临床事件的有效性，并表明了这种方法对于小型数据集表现良好。

May, 2017

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

本文提出了基于结构化查询元组和医疗术语的语境话语向量（CDV）来有效地从长篇医疗文档中检索答案的方法。该方法利用了层次 LSTM 神经网络，其位置编码的编码能力以及在句子层面上的近似最近邻搜索技术。研究结果表明，我们的方法在医疗段落排名方面表现优于现有的多个基准，并且适应多领域且不需要额外的微调。

Feb, 2020

使用基于图的表示学习方法在 SNOMED-CT 上学习医学概念的嵌入向量，可用于生物医学任务。结果表明，基于 SNOMED-CT 的概念嵌入在概念相似性和患者诊断方面 5-6 倍和 6-20％ 的改进相对于最新的嵌入方法。

Jul, 2019

本文研究了一种新的医生推荐任务，使用医生的个人资料和上下文对话，结合多头自注意机制来自动地把一个患者与一个拥有相关专业知识的医生匹配起来，此方法在一个大规模的在线医疗论坛的实验中表现出卓越的效果，优于只考虑医生资料和过去对话的基线方案。

Mar, 2022