使用连续状态空间模型和深度强化学习来推断感染症患者的最佳治疗方案，能够减少患者在医院内的死亡率。
May, 2017
本研究提出一种基于深度学习方法的感染监测系统：该系统利用电子病历等数据预测感染发生的可能性并辅以早期干预以提高为病人争取更多时间，其性能表现在 AUROC 值为 0.856，可在感染发生前三小时预测。
Jun, 2019
本文提出了一种新型生成式深度概率模型AttDMM，用于实时风险评分，联合学习了疾病动态和不同健康轨迹下的疾病状态，通过基准数据集(MIMIC-III)验证效果显著，将 ICU 患者生命预警提前数小时，为做出及时干预提供了路径。
Feb, 2021
该研究展示了机器学习系统在通过风险评分预测患者不良事件方面的巨大潜力，但未来介入干预政策会对风险评分产生影响，所以在此提出了一种联合模型来更加明确地传达有关未来干预的假设。通过将典型风险评分与未来干预概率评分相结合，可以提供更可解释的临床预测。
Jul, 2022
该研究介绍了一个名为“YAIB”的模块化框架，旨在为医疗保健机器学习领域定义可重复和可比较的实验，支持大部分开放获取的重症监护病房数据集，并为多个机器学习和深度学习模型提供透明的预处理管道和可扩展的训练代码。通过这个框架，作者发现数据集、分类定义和预处理工具对模型预测性能有着重要影响。
Jun, 2023
基于深度学习和条件变分自编码器的DySurv方法能够动态地利用患者电子健康记录中的静态和时间序列测量，准确地估计ICU中的死亡风险，并在标准基准测试中胜过大多数现有方法，表现一致且可靠。
Oct, 2023
通过知识蒸馏和约束变分推断，我们使用一个高预测能力的“教师”神经网络模型来训练一个“学生”潜在变量模型，学习可解释的隐层表示，以实现对脓毒症预测结果的高准确性。
Nov, 2023
使用现代可解释的机器学习技术设计准确可解释的死亡风险评分模型，通过评估医疗中心的风险，研究领域的泛化性，并开发了一种新的算法GroupFasterRisk，其风险评分模型在设计灵活性上比黑盒机器学习模型优于传统风险评分模型。
该研究通过结合深度学习模型和注意力机制的框架，提高其在预测败血症过程中的可解释性，从而支持临床决策。研究通过评估基于eICU-CRD数据集的模型在预测败血症患者生命体征方面的表现，并采用均方误差（MSE）和动态时间规整（DTW）度量来评估其性能，同时探索了N-HiTS和N-BEATS的注意力图，研究关键因素对生命体征预测的影响。
May, 2024
本研究针对院内脓毒症死亡预测中的特点选择和模型可解释性不足的问题，提出了一种可解释且精准的机器学习模型。通过对MIMIC-III数据库的ICU患者记录进行详细分析，随机森林模型在精确度和AUC方面表现优异，证明了数据驱动的机器学习在医疗保健中提高院内死亡预测的潜力。
Aug, 2024