本篇论文通过 MIMIC-III 数据集进行临床预测任务（如死亡率预测、住院时间预测以及 ICD-9 编码分组预测）的基准测试，结果表明，相较于基于机器学习模型和预测评分系统，深度学习模型在使用原始临床时间序列数据作为输入特征时有更好的表现。

Oct, 2017

本文系统地检验了机器学习模型在临床预测任务方面的表现，尤其是在生理时间序列方面，并选择Physionet 2019挑战公共数据集来预测ICU单位脓毒症结局。比较了十个基准机器学习模型，包括三种深度学习方法和七种临床预测领域常用的非深度学习方法，使用了九个具有特定临床意义的评估指标来评估模型的表现。结果表明，深度学习的确优于非深度学习，但必须满足特定的条件才能达到更好的表现，这些条件包括使用特定的评估指标以及拥有足够规模的训练数据集。

Nov, 2022

本研究使用四个数据来源的数据，评估深度学习模型在不同医院的准确性，在模型性能方面，多数据来源模型表现相当，明确优化模型的方法并没有显著提高性能。

Mar, 2023

本文提出了一种仅利用客户端的输出分布和样本大小来招募客户端的方法，从而招募一部分客户端，以显著提高计算时间，同时不损失模型性能。在189家重症监护单位的数据上进行的训练表明，使用这种方法训练出的联邦模型在预测能力和训练时间方面显着优于使用标准方法训练的联邦模型。

Apr, 2023

该研究介绍了一个名为“YAIB”的模块化框架，旨在为医疗保健机器学习领域定义可重复和可比较的实验，支持大部分开放获取的重症监护病房数据集，并为多个机器学习和深度学习模型提供透明的预处理管道和可扩展的训练代码。通过这个框架，作者发现数据集、分类定义和预处理工具对模型预测性能有着重要影响。

Jun, 2023

机器学习模型在自动化临床决策中起着越来越重要的作用。我们介绍了一种基于投影的创新方法，将临床专业知识作为领域约束无缝融合，生成可用于机器学习工作流的重要元数据。通过捕捉生理和生物限制患者生命体征和实验室数值的高维混合整数规划，我们可以利用数学“投影”的力量纠正电子病历数据中的患者数据错误。我们测量修正后的数据与定义健康范围的约束之间的距离，得到一个称为“信任分数”的独特预测指标。这些分数提供了对患者健康状况的见解，并显著提升了机器学习分类器在现实临床环境中的性能。我们在早期脓毒症检测的背景下验证了我们框架的影响。我们展示了0.865的AUROC和0.922的精确度，超过了没有此类投影的常规机器学习模型。

Aug, 2023

通过标准化和可解释的机器学习流程，该研究在多中心数据库上建模和预测了患者再次入院，使用随机森林分类模型获得了高达0.7的预测性能，并提供了对生命体征、血液检查、人口统计学信息和ICU相关变量等方面的有见地的结果，对临床医生的决策提供了宝贵的信息。

Sep, 2023

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

在重症监护室（ICU）中，多元时间序列的丰富性为机器学习提供了改进患者表型刻画的机会。与以往主要关注电子健康记录（EHR）的研究不同，本文提出了一种使用常规收集的生理时间序列数据进行表型刻画的机器学习方法。我们的新算法将长短期记忆（LSTM）网络与协同过滤的概念相结合，识别出患者之间共同的生理状态。在实际世界的ICU临床数据中测试，我们的方法在脑损伤患者颅内高压（IH）检测方面取得了0.889的曲线下面积（AUC）和0.725的平均精度（AP）。此外，我们的算法在学习生理信号的结构化潜在表示方面优于自编码器。这些发现突显了我们方法在利用常规多元时间序列改善临床护理实践的患者表型刻画方面的巨大潜力。

Feb, 2024

本研究解决了ICU心力衰竭患者死亡率预测不准确的问题。通过分析MIMIC-III数据库中1,177名患者的数据，采用了先进的特征选择方法和机器学习模型比较，发现XGBoost模型在AUC-ROC测试中表现优异，达到了0.9228，为临床提供了识别高风险患者的有效工具，潜在提高护理结果。

Sep, 2024