使用现代可解释的机器学习技术设计准确可解释的死亡风险评分模型，通过评估医疗中心的风险，研究领域的泛化性，并开发了一种新的算法 GroupFasterRisk，其风险评分模型在设计灵活性上比黑盒机器学习模型优于传统风险评分模型。

Nov, 2023

AI 在医疗应用中的最新进展显示出在诊断和疾病预测方面超越人类表现的巨大潜力。然而，随着 AI 模型的复杂性日益增加，人们对其不透明性、潜在偏见和解释性的需求也越来越担忧。为了确保 AI 系统的信任和可靠性，特别是在临床风险预测模型中，解释性变得至关重要。这篇综述中，我们讨论了这些概念之间的关系，因为它们经常一起或可互换使用。该综述还讨论了最近在发展用于临床风险预测的可解释模型方面的进展，强调了定量和临床评估和验证在临床实践中的多个常见模态上的重要性。它强调了外部验证和多种解释性方法的结合以增强信任和公平性的必要性。采用严格的测试，例如使用具有已知生成因素的合成数据集，可以进一步提高解释性方法的可靠性。开放访问和代码共享资源对于透明性和可重现性至关重要，以促进可解释性研究的增长和可信度。尽管存在挑战，但将解释性纳入临床风险预测的端到端方法，包括从临床医生到开发人员的利益相关者，对于取得成功至关重要。

Aug, 2023

本文提出了一种基于电子病历中的医学笔记信息预测多种疾病风险的风险预测模型，并采用事件引导机制和标签依赖机制实现了对其预测结果的可解释性。

Jan, 2022

该研究论文概述了理解机器学习模型的需求，解释了分类理解方法并提供了在不同医疗保健领域实际应用机器学习可解释性的例子，强调开发算法解决高风险医疗问题的重要性。

Feb, 2020

通过标准化和可解释的机器学习流程，该研究在多中心数据库上建模和预测了患者再次入院，使用随机森林分类模型获得了高达 0.7 的预测性能，并提供了对生命体征、血液检查、人口统计学信息和 ICU 相关变量等方面的有见地的结果，对临床医生的决策提供了宝贵的信息。

Sep, 2023

该研究旨在通过临床文本的预测，预防医生忽略潜在风险并帮助医院规划能力。使用语言模型分析预测诊断结果、手术、住院死亡率和住院时间。提出了临床结局预训练来整合多个公共来源的患者结局知识，并提出了一种将 ICD 编码层次结构纳入模型的简单方法，以提高模型的性能和可迁移性，同时也揭示了模型的一些缺陷。

Feb, 2021

这篇论文探讨了机器学习算法在高影响临床决策系统中应用的公平性、可解释性和透明度，提出了一种基于倾向评分和决策树的算法指南，帮助临床医生识别模型的可预测缺陷，同时指导算法开发人员改进数据源和结构以解决这些缺陷。

Nov, 2020

文章提出一种基于排序算法的疾病严重程度评分学习框架（DSSL），可将患者的测量数据转化为与专家评分一致的严重程度分数，将其应用于感染性休克疾病的严重程度评分，得到的分数在排序和早期治疗方面均明显优于现有的临床评分，并且对不同治疗方案的变化具有更好的泛化性能。

Jul, 2015

通过利用患者电子健康记录中有用的信息和新颖可解释的深度学习框架，该研究致力于预测意外住院并提高预测结果的解释性，从而减少医院成本和改善患者健康。

Oct, 2023

病人的风险模型可以通过建模不确定性来了解患者的风险，该模型利用患者的生命体征、实验室值、之前的病史等特征来进行评估，但没有诊断信息。

Jun, 2023