在这篇论文中，我们提出了一种个性化的实时风险评分算法，基于病人的（时间性）实验室测试和生命体征提供及时和细致的临床状况评估，确保临床恶化的病人能够及时转入重症监护室，该风险评分系统通过从离线电子健康记录数据中学习一组潜在的患者亚型，并训练一组高斯过程( GP ) 专家，每个专家可以模拟与特定患者亚型相关的生理数据流，从而实现。

Oct, 2016

利用长短期记忆和层次注意力机制，建立深度学习模型解决 ICU 中生理时间序列数据的不规则和缺失问题，实现对 ICU 死亡风险的预测，并在 PhysioNet 2012 数据集上取得了竞争力和可解释性的结果。

Jul, 2017

本研究提出 Recurrent Attentive and Intensive Model (RAIM) 模型，利用连续监测数据与离散临床事件来预测 ICU 病人的生理恶化和住院天数，在 MIMIC-III Waveform Database Matched Subset 上，模型的 AUC-ROC 得分为90.18％，准确率为86.82％，表现优于六个基准模型。

Jul, 2018

采用联邦学习（Federated Learning）来解决隐私法规问题，评估其对重症监护室死亡率的早期预测能力，结果表明联邦学习的表现与集中式方法相当，且显著优于本地方法。此外，使用F1分数作为提前停止指标，可以稳定和提高方法的性能。

Dec, 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

本文采用深度学习技术，以多模态数据为特征预测ICU死亡率，在MIMIC-IV数据集上进行验证，结果显示平均C指数为0.7829，明显优于基线SAPS-II特征(0.7470)并证明了已预定义标签(2.00%)、文本特征(2.44%)和影像特征(2.82%)的贡献。

Jun, 2023

实验结果突出了LSTM模型对建立真实世界预测引擎的高效性，通过利用严格的多变量时间序列测量将时间框架缩小到6小时，这个自动数据驱动系统可以分析从电子健康记录中得出的大量多变量时间数据，提取高级信息以早期预测住院死亡率和住院时间。

Aug, 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

探讨了通用领域大型语言模型（如GPT-4 Turbo）能否通过手术过程描述和患者临床记录从电子健康记录中进行风险分层和预测术后结果指标。 对8个不同任务的预测性能进行了研究：ASA身体状态分类的预测、住院、重症监护室入院、非计划入院、住院死亡、PACU第一阶段持续时间、住院持续时间和重症监护室持续时间。 少量样本和思维链调控提高了几个任务的预测性能。 ASA身体状态分类的F1分数为0.50，重症监护室入院为0.81，住院死亡为0.86。 在所有提示策略中，持续时间预测任务的性能普遍较差。 当前一代大型语言模型能够协助临床医生进行围手术期风险分层的分类任务，并产生高质量的自然语言摘要和解释。

Jan, 2024

本研究解决了通过监督机器学习预测长期患者结果时高方差带来的挑战。我们提出了一种利用半马尔可夫奖励过程的时序差分学习框架，以实时不规则采样时间序列数据进行死亡率预测，结果显示该方法在模型稳健性上优于传统监督学习，且在外部数据集验证时依然保持了这种稳健性。这一研究可能为预测高方差不规则时间序列数据中的患者结果提供了一种更可信赖的方式。

Nov, 2024