本研究旨在探究电子健康记录中有辱人格言语对基于 Transformer 的深度学习模型和可解释性人工智能技术的死亡预测的影响，结果发现删去由核心临床医生填写的有辱人格言语是减少人工智能模型中的种族偏见的更有效策略。

May, 2023

该研究通过私人和公共数据集评估使用深度学习模型识别医学影像中的种族，并确定模型是否具有推广性以及其他影响影像解释的人口特征，该研究的发现突出了模型使用个人报告的种族可能导致误分类的风险，存在潜在的风险需要进一步研究以解决。

Jul, 2021

本文提出了一种预测病历记录中病人的过去数据，包括人口统计学，检验，药物和过去的笔记，预测未来笔记内容的新型语言建模任务，并使用公开的、去个人化的 MIMIC-III 数据集训练生成模型。我们发现大部分笔记的内容都可以被预测，并且学习了许多常见的笔记模板。本文探讨了这样的模型如何在支持辅助笔记编写功能方面是有用的，比如错误检测和自动完成。

Aug, 2018

该研究旨在找到评估临床笔记网络风险的有效方法。通过使用不同的分类器开发几个模型，发现 SVM 分类器使用 Word2Vec 特征的最大 F1 分数为 0.792，可用于识别可能包含敏感信息的区域，并用于提高临床笔记完全去识别的识别。

Mar, 2022

使用两项预测任务，即再入院预测和入院期间死亡预测，来表征医疗笔记中信息的价值，我们发现整体而言，医疗笔记仅在再入院预测中提供额外的预测能力。最后，我们证明，针对所选有价值的信息进行训练的模型可以实现更好的预测性能，而只使用 6.8％的所有标记即可实现。

Oct, 2020

本文提出了一种从医疗电子健康系统中提取伴随临床记录的方法，并使用这些数据综合研究了不同模型和数据利用方法对于更好的医疗任务预测的影响。结果表明，我们的融合模型优于不包含临床记录的最新方法，这证明了我们的融合方法的重要性和临床注意点特征的价值。

Oct, 2021

提出了一种预先训练的层级循环神经网络模型，通过解析最小处理的临床记录，比传统方法更好地处理了医疗信息技术中的出院诊断分类任务，并应用归因技术来确定模型用于进行预测的单词以及其重要性。

Sep, 2019

大型语言模型在医疗专业人员中具有潜力，但在训练过程中可能意外地继承偏见，可能会影响其在医学应用中的实用性。通过定性和定量分析，我们发现这些模型倾向于为白人群体投射更高的费用和较长的住院时间，并在具有更高生存率的具有挑战性的医疗场景中表现出乐观的态度。这些偏差在生成患者背景信息、将特定疾病与某种种族关联以及治疗建议的偏差等方面都有体现。我们的发现强调了未来研究在解决和减轻语言模型的偏见问题方面的关键需求，特别是关注关键的医疗应用，以确保公平和准确的结果对所有患者来说。

Jan, 2024

本研究使用两个电子病历文本库和四个预测任务，探索了注意机制在神经模型中的作用，发现注意机制的加入有望提高模型性能，但对预测的支持意义尚不明确。

Apr, 2019

在对 129,228 次急诊室就诊记录的数据进行分析后，我们训练了一个模型，用于识别疲劳医生所写的医疗记录，并将其与其他疲劳状态下的医疗记录进行对比。模型的预测结果与至少一个重要指标的糟糕决策相关，即心脏病测试的结果，每个标准差增加，疲劳预测值降低 18%，最终发现模型指示涉及黑人和西班牙裔患者的记录比白人的预测疲劳值高出 12% 和 21%，这一差距大于夜间和白天之间的差异。我们的研究结果对于大型语言模型 (LLMs) 具有重要的影响，我们的模型指示疲劳医生所写的记录更加可预测。并且，不出奇地，因为词语预测是 LLMs 运作的核心，我们发现 LLMs 所生成的记录的疲劳预测值比真实医生的记录高出 17%，这表明 LLMs 可能引入了尚未完全理解的文本失真。

Dec, 2023