这项研究揭示了 COVID-19 后遗症患者中长期神经并发症的普遍性，并展示了机器学习在预测结果方面的潜力，从而为改善患者管理和促进更好的健康结果做出了贡献。

Sep, 2023

比较了使用不同类型医疗记录中的数据 (包括结构化医疗记录和医生笔记) 建立的不同计算表型定义对诊断 COVID-19 住院患者的性能，同时利用回顾性数据分析评估了这些定义的有效性。结果表明，利用自然语言处理方法得到的医生笔记数据集较为有效，比单纯使用结构化医疗记录的数据集或两者结合的数据集效果更好，并且住院患者的诊断分类对患者总体结局指标的测定产生了显著影响。

Feb, 2023

利用人工智能和机器学习技术分析和预测 Post-COVID-19 综合征中的多器官功能障碍的应用，以提高早期诊断和管理此复杂情况的效果，进而改善患者的疗效和生活质量。

Sep, 2023

通过对深度学习算法在新型冠状病毒 COVID-19 检测中的应用进行全面探讨，研究人员指出，基于胸部 CT 和 X 射线图像的深度学习算法可以有效地检测肺炎，从而实现对 COVID-19 的早期诊断和预防传播。同时，文章还简要讨论了最新的咳嗽分析应用和人类移动估计技术，以限制 COVID-19 的传播。

Dec, 2020

机器学习在疾病诊断和决策方面的应用正变得越来越流行。本文开发了一种 Python 包，将公共卫生数据集转换为易于访问的通用格式，以便于构建有用的疾病诊断预测系统，并提出了两种新的模型架构进行疾病诊断多类别预测，一种使用结构化数字数据，另一种结合自然语言处理方法和可解释的可视化。这些模型都能够高准确度地预测多种诊断。

Jun, 2020

该研究使用深度学习技术建立了一种早期筛查模型，通过分割和分类肺部 CT 图像来区分 COVID-19 肺炎，流感 A 病毒性肺炎和健康情况，并证明其为临床医生提供的一种有效的补充诊断方法。

Feb, 2020

本研究提出了一种空时关注机制，可以从时间维度和特征空间共同衡量特征重要性，以识别 COVID-19 的后续慢性病。实验结果表明，在长 COVID 患者的预测结果中，Local-LSTM 和联合空时关注优于其他有关方法。此提出的方法为长 COVID 的严重评估提供了一种临床工具。

Jul, 2023

本文提出了一种基于深度学习及计算机断层扫描（CT）图像的自动化 COVID-19 诊断框架 MEDNC，该方法能够以高精度（达到 98.79% 和 99.82%）快速识别 COVID-19 病例，为优化医疗资源和减轻临床医生的工作负担提供了一种有力的工具。

Apr, 2023

本文提出了一种针对肺炎或 COVID-19 住院患者的风险评估新方法，基于入院报告和其它文本数据，采用 Longformer 神经网络计算患者的风险评分，实验结果表明我们的方法优于 Transformer 基线模型，并具有多种优势。

May, 2023

本研究通过多种数据源建立了多个机器学习模型对当前 COVID-19 研究场景进行了表征，包括识别潜在主题、分析出版物相似性和情感。结果表明 PubMed 和 ArXiv 中的研究类型存在显著区别，前者在 COVID-19 相关问题的多样性方面具有更大的多样性，后者则更关注预测 / 诊断 COVID-19 的智能系统 / 工具。研究团队对高危人群和并发症患者的特别关注也得到了证实。

Jul, 2020