设计新的临床试验需要做出许多决策，例如定义一个队列和设置研究目标等，因此可以通过对过去临床试验记录的全面挖掘获得基于建议的好处。在这里，我们提出了一种基于临床试验的知识图谱的神经嵌入训练的新型建议方法。我们解决了这个背景下的几个重要研究问题，包括设计临床试验数据的知识图谱（KG），对其进行的各种 KG 嵌入（KGE）方法的有效性，一种新的归纳推理 KGE 的方法，以及其在生成临床试验设计建议中的应用。我们使用了来自 clinicaltrials.gov 的公开可用数据进行研究。结果表明，我们的建议方法达到了 70%-83% 的相关性分数，这是通过与实际临床试验要素的文本相似度进行衡量的，而且最相关的建议可以在列表的前部找到。我们的研究还表明了在使用节点语义进行 KGE 训练方面的潜在改进。

Sep, 2023

本文提出了一种基于层次结构且充分利用电子病历中的信息进行医院死亡预测的方法：通过一种名为 “TM-HGNN” 的、基于高阶图神经网络的多层次分类方法，结合病历和层次结构信息，有效地提高了预测准确率。

May, 2023

本文讨论如何利用 NLP 技术快速分析大量的疾病治疗相关的文章，以便于有效地整理出临床试验结果，并希望以此为基础构建出一个比较不同治疗方法的数据库，方便医生进行治疗决策。同时，本文还介绍了一个被称为 Evidence Inference 的公开数据集，该数据集包括了很多描述临床试验的文献，可以用于相关研究。

May, 2020

我们介绍一种名为 HetMed 的图形框架，可以将多模态医疗数据融合在一起，这通过构造一个多重网络来实现，该网络涵盖患者的多种非图像特征，以系统的方式捕捉患者之间的复杂关系，从而实现更准确的临床决策，并在各种实际数据集上证明了 HetMed 的优越性和实用性。

Nov, 2022

该论文提出了一种医生推荐系统，采用时间嵌入和异构图注意力网络，重建患者和医生之间的潜在连接，并基于最小化优化模型提出了联邦去中心化学习方法来解决患者数据共享的隐私问题。该基于图的推荐系统在 EHR 数据集上有效地提高了 AUC 达到 6.2％，联邦去中心化算法不仅能够实现虚拟融合中心的性能，而且具有 O（1/T）的收敛速率。

Jul, 2022

我们提出了一个基于协作图学习的模型，结合疾病领域知识，协同学习患者和疾病的表示，同时使用了注意力调节策略来整合有用的文本特征，解决了利用深度学习方法在卫生数据中存在的几个关键挑战，证实该模型在两个重要医疗问题中预测表现优于现有最先进模型，具有良好的解释性。

May, 2021

本研究提出了一种基于证据的假新闻自动检测框架 GET，该框架采用图形结构学习方法将索证和索证的长距离语义依赖关系整合起来，从而有效避免了序列模型在验证新闻真实性方面存在的缺陷。作为一项重要的技术创新，GET 的有效性已经得到了充分验证。

Jan, 2022

提出了 DGMed，一种应用因果推断解决药物推荐系统中异质性问题的框架，通过分析历史记录中药物对特定疾病的量化治疗效果，揭示医学实体之间的潜在联系，利用分子层次的知识进行特征对齐，最终根据患者的当前健康状况自适应调整药物推荐概率并推荐药物组合，实验证明该方法在准确性、安全性和时间效率方面优于现有的基线模型。

Mar, 2024

通过新方法引入更多的全局证据来连接更复杂的图表，并使用图神经网络进行证据融合，从而提高了问题解答的效果。

Sep, 2018

提出了一个名为 MINGLE 的新框架，通过融合结构和语义以有效地整合不同类型的 EHR 数据，从而提高预测性能。

Feb, 2024