通过机器学习模型，结合临床和抗生素敏感性测试数据，预测抗生素耐药性，并建立了相关性分析方法

Feb, 2022

本文介绍了一个正在进行的案例研究，运用机器学习技术对抗生素抗性进行分析，通过样本大小，分类准确性等因素来评价机器学习技术的优劣，并指出机器学习在确定与抗生素抗性现象相关的基因区域方面取得了成功。此类研究有助于引起 Data-for-Good 社区的注意。

Jul, 2016

我们应用机器学习技术解决急性感染和败血症快速准确诊断和预后的医学需求，通过测量患者血液中 29 种信使 RNA 的丰度作为机器学习的特征，并通过分类器将这些特征转化成直观的检测报告，包括细菌感染、病毒感染和病情严重程度的区分。在内部验证中，该系统在三种疾病诊断（细菌感染、病毒感染或未感染）上实现了 0.83 的 AUROC 值，在疾病严重程度的二元预测上实现了 0.77 的 AUROC 值。该系统已经获得了美国食品药品监督管理局（FDA）的突破性设备认定，本工程手稿介绍了用于将学术研究概念转化为临床产品的标准和新颖机器学习方法，并讨论了相关经验教训。

Jul, 2024

本研究基于 Drouin 等人 (2016) 的相关工作，运用集合覆盖机对抗菌素抗性模型进行高度解释性学习，以及大规模的应用到整个 PATRIC 数据库中，并提出了新的 Kover AMR 平台，用于可视化和解释生成的模型，以期准确预测抗生素表现，根据不同的临床情况，为每个人的治疗计划提供定制服务，从而提高临床结果。

Dec, 2016

本研究使用先前开发的模拟机体免疫应答的内在免疫应答基于代理模型，并采用深度强化学习算法，通过建立系统病人测量的反馈回路，鉴定了适应性、个性化的多细胞因子调节治疗策略，成功将败血症患者死亡率降至零，并证实该中策略在随机病人参数空间中也表现良好，为治疗败血症提供了一种有前途的新方法。

Feb, 2018

本文提出了一种新方法 NEAT，该方法针对有图结构的治疗效果干扰问题，通过建模治疗分配机制，减轻混杂偏差，并将该方法扩展到处理时变观测数据。

Jul, 2023

该研究通过使用机器学习，特别是结合表格数据，更准确地预测结核病（TB）的治疗结果，将这一预测任务转化为二元分类问题，并通过来自印度国家结核病控制计划的 50 万多个病人记录的数据生成风险评分。数据预处理是该研究的关键组成部分，在验证集上获得了 98% 的召回率和 0.95 的 AUC-ROC 得分。该研究还探索了自然语言处理（NLP）在模型学习中的应用，通过各种指标和消融研究证实了该方法的有效性。研究通过讨论我们的研究对结核病根除工作的潜在影响，并提出了未来的研究方向，展示了机器学习在医疗保健中的潜力。

Mar, 2024

该研究针对细菌基因型 - 表型抗菌药物抵抗性数据进行试验，使用倾向性平衡和混杂变量调整方法处理非随机抽样带来的偏倚，采用提升的逻辑回归和随机森林模型，对抗菌药物抵抗性的预测性能进行评估。结果表明在采样非随机、基因特征与抗药性之间存在关联时，使用该方法可优化预测模型。

Jul, 2021

利用机器学习技术评估病毒检测的情境风险，以提高诊断测试的敏感度，预测牛结核引起牛群病情恶化的发生率，而不损害测试的特异性。

Mar, 2024

研究了两种用于早期检测医院获得性感染的模型：感染风险指数 (IRI) 和呼吸机相关性肺炎 (VAP) 预测模型，在比较分析这两种模型的基础上，得出了并行疾病特定模型的部署方法。

Nov, 2023