利用基于深度学习的无监督框架从电子健康记录中提取患者表现，为下一代个体化医学提供指导。通过将病人轨迹转换为低维潜在向量来对1,608,741例患者的电子病历进行了综合分析，发现ConvAE可以生成导致临床有意义的见解的患者表示形式。

Mar, 2020

通过在MIMIC-III数据集中提取患者特征，本研究使用43种不同的机器学习分类器预测ICD-9-CM代码，并发现疾病患病率下降对分类器F1评分有影响。

Jun, 2020

本文介绍一种使用神经网络对Icelandic CTNs数据集进行半自我监督的数据增强方法，以预测医生对某些疾病的诊断。该方法可以弥补医疗数据稀缺的不足，并证明了机器学习在医学数据分析中的有效性。

May, 2022

本研究比较了多种无监督特征选择方法以选择最佳100个特征，结果显示Concrete Autoencoder方法在重现特征空间和预测90天死亡率方面的表现优于其他方法。此外，该方法中ICD树的权重调整可降低特征的复杂性。

Mar, 2023

本文提出了一个基于MIMIC-IV公共电子病历数据集的ICD编码公共基准套件，使数据预处理标准化并建立全面的ICD编码基准数据集，加速未来研究中采用自动ICD编码的进展。

Apr, 2023

通过使用语义相似性算法，考虑到并发症变异，本研究比较了80种已建立的算法在以ICD代码集为基础的语义相似性方面的表现，结果显示目前的语义相似性算法在考虑到并发症变异时表现良好，并且达到了与专家基本事实的相关性为0.75的最佳结果。

Aug, 2023

该论文描述了一种新颖的自动ICD编码方法，结合了先前相关工作的几个思想。我们特别采用一种强大的基于Transformer的文本编码模型，并针对冗长的临床叙述，探索了将基本编码模型调整为Longformer，或者将文本分成块并独立处理的方法。编码器产生的表示与标签嵌入机制相结合，探索了多样的ICD编码同义词。通过使用MIMIC-III数据集的不同拆分进行实验，结果显示提出的方法在ICD编码方面优于当前最先进的模型，并且标签嵌入显著促成了良好的性能。该方法还导致适当校准的分类结果，可以有效地用于下游任务如数量化。

Feb, 2024

使用电子健康记录（EHR）以及传统机器学习、时间感知长短期记忆（T-LSTM）和大型语言模型（LLM）等机器学习模型，通过从结构化医学代码中提取的新颖叙述特征来识别存在心力衰竭（HF）风险的癌症患者，并发现大型语言模型GatorTron-3.9B在性能方面超过了传统支持向量机39％、T-LSTM深度学习模型7％和广泛使用的变换器模型BERT 5.6％，表明所提出的叙述特征显著提高了性能。

Mar, 2024

利用电子病历数据进行研究活动，本研究旨在解决数据标准化问题，通过数据预处理、注释和转换等步骤将数据转化为标准格式，使用机器学习模型识别疾病并将其转化为ICD-10编码，该模型的准确率达到81%、优于MetaMap的准确率67%。

Apr, 2024

通过比较使用国际疾病分类（ICD）代码与血清确认的人群，作者确定了ICD代码用于创建机器学习数据集的适用性，并针对两种不同病例研究的数据集发现了差异和重叠。

Jul, 2024