通过统计分析及机器学习方法，我们研究了康复运动对中风患者后期功能能力的改善，以及对功能能力改善的预测性。我们使用了患者康复运动和人口统计信息记录在非结构化电子健康记录（EHRs）数据和自由文本康复疗程笔记的数据集，共收集了来自匹兹堡大学医学中心的 265 名中风患者的数据。我们运用现有自然语言处理（NLP）算法提取了康复运动的数据，并开发了基于规则的 NLP 算法从疗程笔记中提取了 AM-PAC（基本移动和应用认知）评分。通过对 AM-PAC 评分的变化进行分类，我们采用最小临床重要差异（MCID）为基准，使用 Friedman 和 Wilcoxon 检验来评估显著性。为了确定具有决定性影响的锻炼，我们使用卡方检验、费舍尔精确检验以及逻辑回归计算了奇数比率。此外，我们开发了五个机器学习模型 —— 逻辑回归（LR）、Adaboost（ADB）、支持向量机（SVM）、梯度增强（GB）和随机森林（RF）—— 来预测功能能力的结果。统计分析显示功能改善与特定锻炼之间存在显著关联。RF 模型在预测功能结果方面表现最好。在这项研究中，我们确定了三种康复运动，在头两个月内对中风患者的功能能力改善起到了显著的贡献。此外，成功应用机器学习模型预测特定患者的功能结果突显了精准康复的潜力。

May, 2024

机器学习在预测中风后症状及其对康复的反应方面具有巨大潜力。本研究评估了对神经影像数据进行维度降低和特征选择的方法，并提出了使用卷积神经网络 (CNN) 对结合神经影像和表格数据的新方法。研究结果显示，即使数据集规模较小，结合神经影像和表格数据可实现高精度的中风后分类，可以进一步通过使用医院扫描仪中的图像来提高分类准确性。

Oct, 2023

本研究阐述了自然语言处理技术在电子病历上的应用存在的挑战和限制，以及研究人员使用机器学习、深度学习等技术进行处理和信息提取的相关领域和方法。

Jun, 2023

通过引入一种新的监督对比学习框架，该框架结合了硬负样本和软负样本，利用整个数据集训练一种适用于所有运动类型的单个模型，从而提高了运动评估的泛化能力，并降低了总体复杂性，我们的方法在多个数据集上展示了胜过现有方法的结果，创立了康复运动评估准确性的新的基准。

Mar, 2024

本研究探讨了多种 Named Entity Recognition 方法，并针对脑成像报告中的记录与应用 (i) 基于规则、(ii) 深度学习和 (iii) 迁移学习系统，重点研究帕金森氏病患者病历中的自动标记。研究者确定手工制作的系统是自动标记 EHR 的最准确方法，但是机器学习方法可以在无法轻易获得手动系统资源的情况下提供一种可行的替代方案。

Mar, 2019

我们开发了一种基于联邦自然语言处理的方法，能够利用来自不同医院或诊所的临床笔记，改进特定临床任务的质量，并促进整个医疗保健系统的知识进步。这是联邦机器学习在临床自然语言处理中的第一次应用。

Aug, 2019

该研究引入了最先进的自然语言处理技术（具体为掩蔽语言建模预训练）和伪标记的方法，以应对临床病历评估的挑战，提高效率和性能，并改变临床病历评估的潜力。

Jan, 2024

本文综述了当前神经自然语言处理方法在电子病历应用中的广泛运用，包括分类和预测，词嵌入，提取，生成以及其他诸如问答、表型、知识图谱、医学对话、多语言性和可解释性等领域。

Jul, 2021

本文探讨了机器学习在评估人类运动或行为的正确性中的作用，实验证明，机器学习算法可以在某些情况下产生良好的结果，但也可能会将不正确的行为分类为另一种行为的正确执行。

Aug, 2021

本文提出了一种预测病历记录中病人的过去数据，包括人口统计学，检验，药物和过去的笔记，预测未来笔记内容的新型语言建模任务，并使用公开的、去个人化的 MIMIC-III 数据集训练生成模型。我们发现大部分笔记的内容都可以被预测，并且学习了许多常见的笔记模板。本文探讨了这样的模型如何在支持辅助笔记编写功能方面是有用的，比如错误检测和自动完成。

Aug, 2018