介绍了大型语言模型（LLMs）在移动健康感知等人类中心任务中的使用，并通过案例研究证明了目前流行的 LLMs 对于时间数据的分词处理存在错误，提出了解决方案如轻量级嵌入层调整和多模态适配器来弥合模态差异。该论文强调了语言模型在处理输入细微差别时无法产生有意义的输出。

Sep, 2023

使用大型语言模型（LLMs）综合多传感器数据生成临床有用的洞察力，首次展示使用 LLMs 进行二元抑郁症分类的准确性超过了现有技术，而且还强调了人工智能与医生领域专业知识和患者背景相结合的人工智能协同方法在临床决策支持方面的价值。

Nov, 2023

我们提出了一个动态嵌入和分词框架，通过学习多模态临床时间序列的时间感知表示，并结合时间交叉注意力，将其整合到滑动窗口关注的多任务 Transformer 分类器中，在预测超过 120,000 例住院手术的九种术后并发症的示例任务中，使用来自美国三家医院和两个学术医疗中心的多模态数据，我们的嵌入和分词框架优于基线方法。

Mar, 2024

本文提出使用带有四个模块的神经网络分析病人旅程的疾病预测。通过将时间间隔作为辅助信息，建立了前瞻式的病人旅程的潜在进展模式，其中短期相关性建模并贡献于病人旅程的本地先验生成，并在 MIMIC-III 数据集上展示了更高的预测准确性。

Jul, 2022

本文研究提出一种新的文本数据增强方法，利用 GPT-2 生成病人电子病历中的临床记录作为额外的训练数据，用于预测病人的不良预后，实验证明了该数据增强方法的有效性。

Nov, 2022

提出了一种语言增强的基于转换器的框架，用于在连续、分类、二进制和自由文本功能之间进行信息集成，以更准确地估计医学干预的持续时间，并在 US 和 Asian 的数据集上证明了其有效性。

Mar, 2023

研究了时序表示学习在远程医疗监测应用中的关键领域。基于老年痴呆症患者在家活动的数据集，设计了一种表示学习方法，将活动转化为可用语言模型编码的文本字符串。通过利用矢量空间中相似嵌入，实现了参与者和天数的聚类和向量搜索，并用于识别活动异常以帮助进行个性化护理。

May, 2024

本研究提出了一种使用编码器 - 解码器框架的抽象概括方法，其中使用 Longformer 神经网络作为编码器，BERT 作为解码器，与指针生成网络相比，在某些概括任务中表现出更高的质量。我们还与有经验的医生进行了研究，将我们的模型与 PGN 基线和人工生成的摘要进行了比较，结果显示我们的模型的有效性。

Apr, 2022

本文使用神经网络模型对医院出院总结报告进行自动摘要，结论表明以护理笔记为来源，离散化分离出院总结报告的各个部分作为目标输出来训练语言模型可以提高模型效率和文本质量。

May, 2023

利用机器学习等技术，将人类生活事件序列嵌入到一个单一的向量空间中，以预测包括早亡和人格特质在内的多种结果，从而为个性化干预提供了潜在机制。

Jun, 2023