在尼日利亚部署 ADVISER 框架以优化卫生干预方法，通过首次成功使用 AI 技术的工具链来最大程度地提高成功接种的累积概率，向尼日利亚奥约州的超过 13,000 个家庭提供服务。

Dec, 2023

本文提出了一个新的框架 VacciNet，它利用监督学习和强化学习来预测国家某州的疫苗需求，并为最少的采购和供应成本建议最佳的疫苗分配，该框架使用美国的疫苗数据进行了培训和测试。

Aug, 2022

本文探讨了在供应有限的情况下通过疫苗优先策略来减轻疫情总负担的方法，利用 Trans-vaccine-SEIR 模型模拟疾病演化过程，结合图神经网络和深度强化学习找到最优疫苗分配策略，实验发现相较于基线策略，该框架可将感染和死亡降低 7%-10%，且能针对具有多样性的微观级疾病演化系统寻找最优解。研究结果对于疫苗供应有限和物流效率低下的区域提供了有价值的见解。

May, 2023

本研究使用深度学习模型从 ARMMAN 基于电话的信息项目中预测短期和长期的产妇退出率，以解决印度母亲死亡率过高的问题。模型表现比竞争基线模型分别提高了 13％和 7％。此方法在现实应用中有潜力进行有针对性的干预措施。

Jun, 2020

本论文研究了怀孕期间母婴保健的重要性，探讨了人工智能辅助超声波技术诊断胎儿发育状况的可行性，特别是针对在低资源环境下不熟练的超声设备操作人员的辅助作用，模型可以用于预测孕周和胎儿位置，提高了胎儿保健水平。

Mar, 2022

我们设计和实施了一个基于人工智能的平台，通过图神经网络推荐系统和佩戴式健身设备的精细健康行为数据，实现了对新加坡 84,764 位个体在 12 周内进行个性化和情境化的推送。统计验证表明，接收到优化的人工智能日常提醒的目标群体的日常体力活动，例如步数增加了 6.17% ($p = 3.09 imes10^{-4}$)，每周中度至高强度体力活动时间增加了 7.61% ($p = 1.16 imes10^{-2}$)，与未接收任何提醒的对照组相比，呈现出显著改善。此外，这些提醒被广泛接受，13.1% 的提醒被打开（开启率），其中 11.7% 的提醒被评为有用，1.9% 的提醒被评为无用，从而显示出人口级参与度的显著提高。

Jan, 2024

本研究设计了一个可视化面板来监测和预防肥胖症，并通过 UPHO 系统结合机器学习和语义学来解释、推理和预测其发病机制，证明了贫困、缺乏体育锻炼、教育和失业是 TN 孟菲斯肥胖预测最重要的自变量之一。该系统的扩展功能增强了交互信息可视化，对提高医生、研究人员和卫生官员的患者和社区水平的决策提供帮助。

Jul, 2022

使用基于 Transformer 的自然语言处理的人工智能方法 (AICO)，通过真实数据评估入组标准，从大量相关临床试验中提取常见入组标准变量并测量临床试验设计的泛化性，解决了现有手动方法的可扩展性问题，并能快速模拟感兴趣疾病的入组标准设计。以乳腺癌试验设计为例，展示了该方法在改进临床试验泛化性方面的效用。

Sep, 2021

本研究使用集成学习方法将临床和从 Google Trends 获取的网络数据相结合，预测了未来的疫苗接种情况。结果表明，本方法可以有效地预测疫苗接种情况，使用网络数据单独进行预测也获得了相对较好的性能。这是第一项使用网络数据（带或不带临床数据）预测疫苗接种情况的研究。

Sep, 2016

本文提出了一个高风险妊娠程序，通过算法识别高风险成员，并完成了孕期识别与并发症预测模型，演示了预测与临床信息相结合的工具在提升护士决策过程中的实用性的可能。

May, 2023