应用先进的机器学习模型（N-BEATS 和 LightGBM）对急诊科床位 24 小时之后的占用情况进行预测，结果显示 N-BEATS 和 LightGBM 优于统计基准模型，而 DeepAR 模型能以 0.76（95% CI 0.69-0.84）的 AUC 值预测下一天的拥堵情况。据我们所知，这是首次在急诊科预测上证明了 LightGBM 和 N-BEATS 优于统计基准模型。

Aug, 2023

该研究使用了 Diabetes 130-US Hospitals 数据集，利用各种传统机器学习模型（如 XGBoost、LightGBM、CatBoost、决策树和随机森林）进行分析和预测了糖尿病患者的再入院情况，并通过自主开发的 LSTM 神经网络进行对比。研究结果显示，LightGBM 是最佳的传统模型，而 XGBoost 位居第二，LSTM 模型在训练准确性较高的情况下存在过拟合问题。研究还使用了 SHAP 值提高了模型的解释性，并指出了实验结果中影响再入院预测的重要因素，如实验室过程数量和出院安排。该研究表明，在预测性医疗模型中，模型选择、验证和解释性是关键步骤，有助于医疗服务提供者设计干预措施，提高糖尿病患者的随访遵从性和管理效果。

Jun, 2024

利用机器学习方法，比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明，这些分类器可以准确预测样品的生存率，分别为 75.4％，74.7％，71.5％，75.5％，70.3％和 78％

Apr, 2023

该研究调查了树模型在长期死亡预测上的表现，并研究了两种近期引入的生物标志物对长期死亡的影响。研究采用来自中国台湾卫生福利部的 CCHIA 公开数据，以及从 139 例急性心肌梗死患者收集的医学和人口统计学数据，使用先进的集成树模型算法预测了 14 年内的全因死亡率，并发现添加生物标志物后算法的性能有所提高，可更好地为高风险个体确定治疗优先级。

Mar, 2024

本文研究利用机器学习算法和电子病历数据建立一个新的系统，用于实时预测 ICU 病人急性脑功能损伤并进行分类，包括昏迷、谵妄、死亡和正常，该系统能大幅度减少与急性脑功能损伤相关的事故，缩短 ICU 病人住院时间、减少医疗成本和病亡率。

Mar, 2023

通过比较深度学习、广义线性模型、梯度提升机（GBM）和朴素贝叶斯等模型，我们发现 GBM 在不同人口统计学特征（年龄、性别、种族）下，以 84.3% 的 F1 分数和 82.2% 的准确率准确预测糖尿病患者的住院再入院情况。GBM 在预测中减少了性别和种族之间的差异，其假发现率（FDR） (6-7%) 和假阳性率（FPR） (5%) 较低，且各年龄组（40 岁以下和 40 岁以上患者）的 FDR（4%）保持稳定，表明其精确性和减少偏见的能力。通过展示多种模型的准确度和公平性指标，该研究强调了在医疗保健中谨慎选择机器学习模型以确保准确性和公正性的重要性，从而促进个性化医学并确保公平的机器学习算法，最终减少糖尿病患者不同背景中的不平等，并改善结果。

Mar, 2024

本研究使用公共 eICU-CRD 数据集和韩国圣玛丽医院的私人数据集，对 LightGBM 和 XGBoost 两种集成学习方法进行比较分析，发现这些方法在处理医疗数据不平衡和增强脓毒症检测方面的有效性。具体而言，LightGBM 在计算效率和可扩展性方面略胜一筹。该研究为机器学习在危重护理中的广泛应用铺平了道路，从而全球扩展了预测分析在医疗保健中的应用。

Nov, 2023

采用机器学习模型来预测感染性休克的早期发生，利用来自纽约布朗克斯 Montefiore 医疗中心的非身份识别的临床数据。

Feb, 2024

本文通过正式表征哪些情况下预测模型可以从算法分流中受益来探讨预测模型与人类专家之间的相互作用，提出了一种确定性阈值规则，介绍了一种可实际应用的基于梯度的算法，并在人工专业及科学发现的数据中进行了实验，论证了该算法提供的模型及分流策略具有优于其他竞争基线的性能。

Mar, 2021

本研究建立了一个基于机器学习的诊断系统用于心脏疾病预测，使用了包括 RF、MLP、KNN、ETC、XGB、SVC、ADB、DT 和 GBM 在内的九种分类算法和八种分类器性能评估指标，并通过一个堆叠式集成方法来评估临床决策支持系统的影响。

Apr, 2023