与一家领先的欧洲医疗保健提供商合作，设计了一种机制，以匹配患者和家庭医生在初级保健方面。该研究采用混合推荐系统，建模了患者对家庭医生的信任，并考虑了他们关系的时间动态。该方法表现出比基线和协同过滤方法更高的预测精度，并进一步改善了模型性能。

Aug, 2018

本论文提出了将现有的语言模型细调为医疗领域的医生 - 患者对话模型，以更好地理解患者需求、为医疗领域提供有价值的帮助，并将进一步开源相关数据、代码和模型来推进医疗领域的对话模型的发展。

Mar, 2023

通过医患互动，将医学知识与病症识别相结合，建立一种诊断助手，显著提高疾病识别的能力，并整合视觉感知信息以增强诊断助手的功能。

May, 2024

本研究介绍了一种基于患者数据的新型患者聚类模型，利用约束低秩逼近的方法，结合患者的临床数据以及数字交互数据（包括浏览和搜索），构建患者个人资料。通过生成非负嵌入向量作为患者低维表示，我们的模型在真实世界的患者数据上进行了评估，综合考虑了聚类和推荐功能，与其他对照组相比，我们的方法在聚类一致性和推荐准确性方面表现出卓越性能。

Aug, 2023

本文提出 doctor2vec，利用临床试验描述和分类信息以及医生从 EHR 数据中学习医生代表的动态记忆网络，为临床试验招募合适的医生提供了方法，实验证明其性能优于最佳基线，而 doctor2vec 嵌入式还可用于数据不足的情况。

Nov, 2019

设计了一个基于患者和药物特征的全面药物推荐系统，将数据从多个数据库中整合为一个患者和药物信息的数据集，其中使用了人工智能模型、自然语言处理方法和推荐系统算法进行数据建模，通过药物相互作用、患者条件和药物特征生成了基于矩阵分解的模型，构建了基于规则的知识库系统。

Dec, 2022

医疗协商中的文本如何使用最先进的嵌入和一次性分类系统进行分类，分析表明，嵌入能够可靠并且适应地捕捉文本的语义特征。Word2Vec、GloVe 和字符 n-gram 嵌入表现良好，GPT2 嵌入也表现出显著性能，我们的机器学习架构在数据稀缺的情况下显著改善了患者和医疗提供者之间的交流质量。

Feb, 2024

本文研究了精神健康相关的在线求助帖子中，自识别为精神健康专家与同龄人的回复差异，使用语言学分析探讨二者交互中的语言使用和互动特点，以期为理解健康专家在社交网络中与信息和支持寻求者的互动作出贡献。

Jun, 2021

本文提出了一种基于神经网络的数据驱动模型，可根据病人最近的临床记录自动推荐必要的诊断流程，以替代手动创建的临床清单，具有更高的准确性，可帮助卫生系统扩大对患者的及时初步医疗专科诊断工作。

Jul, 2020

该论文提出了一种医生推荐系统，采用时间嵌入和异构图注意力网络，重建患者和医生之间的潜在连接，并基于最小化优化模型提出了联邦去中心化学习方法来解决患者数据共享的隐私问题。该基于图的推荐系统在 EHR 数据集上有效地提高了 AUC 达到 6.2％，联邦去中心化算法不仅能够实现虚拟融合中心的性能，而且具有 O（1/T）的收敛速率。

Jul, 2022