基于多任务图表示的罕见健康记录药物耐药性分析
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
本研究提出了使用基于图的框架，结合医疗保险索赔数据和副作用数据库，使用图神经网络预测并发现潜在的不良药物反应对。与其他算法相比，该模型在 AUROC 和 AUPRC 性能方面表现出更好的表现。
Apr, 2020
通过将电子健康记录（EHR）系统与临床决策支持系统结合，将 EHR 数据转化为文本表示，并利用预训练的基础模型来改善抗生素管理，以增加抗生素耐药性预测的可解释性和支持抗生素管理工作。
May, 2024
通过解释性多模型数据驱动模型，预测和理解 ICU 中的抗菌性多重药物耐药细菌的发生，并提供可解释的预测支持系统。
Feb, 2024
本研究提出了一种基于电子病历利用混合多变量限制玻尔兹曼机和医疗领域知识提取分组治疗方案的数据驱动框架，并以冠状动脉疾病为实际案例进行实验。结果表明，该框架有助于协助医生进行临床决策。
Jun, 2018
设计了一个基于患者和药物特征的全面药物推荐系统，将数据从多个数据库中整合为一个患者和药物信息的数据集，其中使用了人工智能模型、自然语言处理方法和推荐系统算法进行数据建模，通过药物相互作用、患者条件和药物特征生成了基于矩阵分解的模型，构建了基于规则的知识库系统。
Dec, 2022
提出一种新的联合融合模型，结合全连接神经网络（FC）和图神经网络（GNN）来预测 HIV-1 抗逆转录病毒治疗的结果，尤其在涉及数据有限的药物治疗方案中，该模型通过整合 Stanford 分数提高泛化能力、稳健性以及其在临床决策中的实用性。
Dec, 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