利用人工智能开发的算法对急诊科患者进行分级，使用急诊科历史数据培训医疗决策流程，并根据患者的关键信息准确分类患者，实验结果表明该算法在精确性方面优于传统的分级方法，从而帮助医疗专业人员预测重症指数以指导患者管理和资源分配。

Mar, 2024

通过使用 CART 算法，本研究提出了一种创新的框架，用于检测医疗人工智能决策支持系统中的算法偏见。通过一系列合成数据实验和格拉迪纪念医院的电子病历实验，我们验证了该方法的准确性和实用性，进一步证明了它在临床环境中作为确保公平和公正的关键工具。

Dec, 2023

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

该研究旨在探讨 AI 系统的设计要求，以支持临床专家在早期诊断败血症方面做出更好的决策。通过对现有 AI 预测模块的基于医疗记录的电子健康档案系统的临床专家的形态学研究，该研究构建了 SepsisLab，通过 AI 算法预测败血症发展并可视化预测的不确定性，并提供减少不确定性的可行建议，从而展示了 SepsisLab 在人机协作方面的潜力，对未来的 AI 辅助败血症诊断和其他高风险医学决策具有重要意义。

Sep, 2023

该论文通过使用强化学习算法，基于患者重症监护室中的临床数据，开发出一种用于输注决策辅助的工具，结合状态表示方法和奖励设计机制进行了实验以提高策略的性能，并对真实医院数据的策略准确性进行了评估，结果表明，该方法能够有效地改善患者预后和减少医疗成本。

Jun, 2022

该研究使用机器学习模型为多样性危重病人预测输血需求，在有效预测输血需求的同时，还能识别关键生物标志物帮助输血决策。

Jan, 2024

该研究展示了机器学习系统在通过风险评分预测患者不良事件方面的巨大潜力，但未来介入干预政策会对风险评分产生影响，所以在此提出了一种联合模型来更加明确地传达有关未来干预的假设。通过将典型风险评分与未来干预概率评分相结合，可以提供更可解释的临床预测。

Jul, 2022

文章提出一个实时的推荐系统，用于心理治疗期间向治疗师建议治疗策略。系统通过计算评分清单深度嵌入的相似性得分与患者当前言语之间的相似性，预测治疗结果。系统自动将连续音频流转录并分成患者和治疗师的对话，实时推断他们的治疗工作联盟。对话及其计算的工作联盟得分作为评级被馈送到深度强化学习推荐系统中，其中会话被视为用户，主题被视为项。除了在现有心理治疗数据集上评估核心组件的实证优势外，我们还在一个 Web 应用中展示了该系统的有效性。

Aug, 2022

采用各种数据处理技术和基于 LSTM 的多标签分类器进行新型二阶段训练方法（用户不可知的预训练和用户特定的微调），在数据预处理和二阶段训练过程中获得更好的性能。

Nov, 2022

该研究提出了一种利用电子健康记录数据进行大规模癌症风险预测的新方法，通过最小数据贪婪策略结合机器学习和生存分析的 Survival Ensemble 方法，能在医疗机构中得以复制，并在癌症患者检测方面取得了比传统医学筛查更好的结果。

Sep, 2023