本文使用可解释人工智能（XAI）方法分析 COVID 患者死亡率的社会经济差异，建立了一个基于匿名的奥斯汀地区医院数据集的 XGBoost 预测模型，应用了两种 XAI 方法（Shapley 可加性解释和局部可解释模型无关解释）比较特征重要性的全局与局部解释，发现特别关注医疗保险、年龄和性别等特征对死亡预测影响较大。本研究表明了使用 XAI 方法进行特征归因交叉验证的重要性。

Feb, 2023

通过使用解释性机器学习和博弈论方法，我们研究了 COVID-19 在美国县级的传播情况，发现疾病的流行和死亡率与当地的社会经济情况相关，特别是在农村地区，并发现该疾病的传播模式在城市和农村地区分别存在不对称性，并优先影响非白人占比较高的县。我们的研究结果可用于更有针对性地制定政策和分配资源，以应对未来由 SARS-CoV-2 引发的疫情，同时该研究方法还可扩展到研究其他疾病的传播。

Sep, 2020

本文提出了一个 COVID-19 计算器，综合现有的发布计算器和数据点，以衡量 COVID-19 AI / ML 预筛选解决方案（算法和应用程序）对美国社会经济的积极影响。

Jan, 2022

使用 800,000 多名 COVID-19 患者的数据集，提出了一种成本敏感的梯度提升机器学习模型，该模型可以预测 PE 的发生和死亡风险，并确定年龄、性别、入院地区、合并症和症状等最重要的临床预测因子，并且可以更好地规范医院风险优先级的限制，并且在世界范围内进行评估。

May, 2023

该研究使用机器学习模型创建了一个预测系统，旨在预测孟加拉国未来几天内的感染率和死亡率，并发现多层感知器模型具有比支持向量回归 (SVR) 和线性回归模型更可靠的预测能力。根据该模型的预测，孟加拉国可能面临另一次 COVID-19 攻击，其中感染案例数可能在 929 至 2443 之间，死亡案例数在 19 至 57 之间。

Jul, 2022

通过分析美国人口普查和疾控中心的数据，我们确定了特定社会经济因素与特定和一般健康指标之间的相关程度，并发现了一些社会经济因素（如收入和教育水平）与健康总体状况之间高度相关的趋势。

Dec, 2022

本文介绍一种基于 SHapley 加性解释的 SurvSHAP (t) 方法，使用其可以对时间相关的生存黑盒模型进行解释，提高精度诊断，支持领域专家决策。实验结果表明，SurvSHAP (t) 对时间相关变量的影响检测更准确，其聚合也比 SurvLIME 更好地确定了预测的变量重要性。

Aug, 2022

利用三阶段数据驱动方法，通过 COVID-19 症状和其内在人口变量的因果关系、相似性聚类和人口症状识别模型，揭示了病毒症状之间的关系，并为减轻病毒严重程度提供了见解。

Jun, 2024

通过评估 170 个国家的饮食习惯，本研究使用机器学习技术将这些国家按照脂肪、能量和蛋白质在 23 种不同类型食物中的分布以及摄入量进行分组，以找出这些习惯与 COVID-19 的死亡率之间的相关性，结果显示肥胖和高脂肪摄入与死亡率较高的国家有关，而死亡率较低的国家则伴有更高水平的谷物消费和较低的总体平均热量摄入。

Feb, 2024

开发了基于机器学习的网络应用程序，用于自动分类社交媒体上的 COVID-19 相关讨论，并提供了用于分类的基准结果。

Feb, 2024