本文使用历史数据和机器学习技术，将域适应应用于病人的入院单位，从而预测早期的住院时间，并设计了一个适合临床决策支持系统的预测模型。

Jun, 2023

此研究提出了一种基于 Transformer 模型的 Medic-BERT（M-BERT），通过将病人信息建模为事件序列来预测其住院天数，并在丹麦大型医院的 45000 多名急诊病人上进行了实验，结果表明 M-BERT 在各种住院时间问题上表现出色，优于传统非序列机器学习方法。

Mar, 2023

我们旨在建立一个决策支持系统，以预测从急诊部入院的患者在医院的住院时间，结果表明利用患者入院特征可以相对准确地预测住院时间。

Aug, 2023

利用保险数据，通过构建双向 LSTM 神经网络，本研究成功预测了医院的所有诊断病例中患者 30 天再次入院的风险。与随机森林分类器的结果相比，LSTM 模型的性能显著提高，证明了序列预测在该问题中的重要性。同时，加入了 30 天的历史数据后，模型的性能也有显著提高，提示历史诊疗记录的重要性。

Jun, 2022

通过使用机器学习技术，研究临床、生化和神经影像因素，生成一个预测模型，用于预测中风患者在入院后 3 个月的死亡率和发病率，并得出结论：机器学习算法可以有效地用于中风患者的长期死亡率和发病率的预测。

Feb, 2024

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

本文提出了一个智能中风预测框架，该框架在文献中对使用最广泛的五种机器学习算法进行了评估，并比较分析了结果，发现随机森林算法最适合中风预测。

Apr, 2023

本研究使用机器学习算法基于患者数据预测患者短期和长期预后，以及病人的出院去向等重要临床结果，帮助医疗团队提升决策质量并实现有效的医院管理。实施该工具后平均每位患者住院时间减少了 0.67 天，每年可为医疗系统创造高达 5500 万至 7200 万美元的经济效益。

May, 2023

调查与 COVID-19 大流行加剧的糖尿病病例激增以及对医疗资源的压力之间不断增长的关切，并旨在构建一种预测模型，量化影响糖尿病患者住院时长的因素，为医院管理者提供改进患者管理策略的见解。

Jun, 2024

研究使用机器学习中的生存分析方法，基于英国长寿研究队列 ELSA 数据，构建了两种基于随机森林和弹性网络算法的生存机器学习模型，并证明了这些模型相较于传统的 Cox 比例风险模型具有更优越的预测性能和稳定性。

Jun, 2023