本文提出了一种将电子健康记录中的医疗概念和患者转化为临床有意义的构建特征的基于数据驱动的方法，从而通过时间关系来学习医学概念的表示和病人向量，达到对诊断和治疗的性能优化。

Feb, 2016

应用 Transformer 网络和 BERT 语言模型，将包含多种数据模式的电子病历编入一个统一矢量表示，从而实现了病人就诊数据的高效表示，这种方法在 MIMIC-III ICU 数据集上得到了出色的性能和可泛化性。

Aug, 2019

使用电子健康记录进行循证医学和准确预测，通过 Fast Healthcare Interoperability Resources (FHIR) 格式表示病人的原始病历记录，并使用深度学习方法进行多中心的多个医疗事件预测，包括住院死亡率、未经计划的 30 天再入院率、医院停留时间延长、所有患者的最终出院诊断等。

Jan, 2018

利用基于深度学习的无监督框架从电子健康记录中提取患者表现，为下一代个体化医学提供指导。通过将病人轨迹转换为低维潜在向量来对 1,608,741 例患者的电子病历进行了综合分析，发现 ConvAE 可以生成导致临床有意义的见解的患者表示形式。

Mar, 2020

自动检索病例组是许多医疗任务的基础，本文引入了一种新的任务 —— 自动检索病例组，并评估了大型语言模型和领域特定的神经符号方法的性能。

Jun, 2024

本研究提出了一种基于深度学习的框架，通过将病人路径从电子健康记录中编码成影像，突出显示路径影像中的重要事件，实现更复杂的预测并提高可解释性，其中使用了深度注意机制，并允许预测多个连续结果。

Mar, 2021

本文提出了一种基于 Transformers 的新型框架 sEHR-CE，可以在不需要映射的情况下，对异构临床数据集进行集成表型和分析。使用预训练的语言模型来预测疾病表型的准确性高于非文本和单个术语方法，并且用 2 型糖尿病为例说明如何识别没有诊断但具有与患者相似临床特征的个体。

Nov, 2022

使用电子病历（EHR）来预测下次就诊诊断是医疗保健中的重要任务，为医疗服务提供者和患者制定主动的未来计划至关重要。然而，许多先前的研究没有充分解决 EHR 数据中固有的异质性和分层特征，不可避免地导致次优性能。为此，我们提出了 NECHO，一种新颖的以医学代码为中心的多模态对比 EHR 学习框架，具备分层正规化。首先，我们使用定制的网络设计和一对双模态对比损失来整合包括医学代码、人口统计和临床记录在内的多方面信息，这些信息都围绕着医学代码表示。我们还使用医学本体中的父级信息对特定于模态的编码器进行正规化，以学习 EHR 数据的层次结构。对 MIMIC-III 数据进行的一系列实验证明了我们方法的有效性。

Jan, 2024

提出了 CohortNet，一种用于可解释的医疗分析的自动化队研究模型，通过学习细粒度患者表征、发现并利用充满医学意义模式的群体，来为特定患者提供更全面的理解。

Jun, 2024

通过优化 BERT 模型的关键设计选择和数据表示方式，研究表明改进数据表示方法以及架构和训练协议可以显著提高基于 BERT 的电子健康档案模型的性能，从而为未来的相关工作奠定了坚实的基础。

Apr, 2024