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

本篇研究提出了一种基于多模态 Transformer 模型的早期脓毒症预测方法，使用每位患者在 ICU 入院后 36 小时内的生理时间序列数据和临床笔记，仅利用前 12、18、24、30 和 36 小时的实验室指标、生命体征、患者特征和临床笔记进行预测。在 MIMIC-III 和 eICU-CRD 两个大型重症监护数据集上评估了我们的模型，结果证明我们的方法在所有指标上优于竞争基线。

Mar, 2022

本文提出了一种实现在医学设施内部署的早期预测严重感染的方法，使用机器学习与深度学习方法，研究人员还提出了夜间患者个体风险特征向量的学习方法，通过实验验证了该方法的有效性。

Apr, 2023

本研究使用公共eICU-CRD数据集和韩国圣玛丽医院的私人数据集，对LightGBM和XGBoost两种集成学习方法进行比较分析，发现这些方法在处理医疗数据不平衡和增强脓毒症检测方面的有效性。具体而言，LightGBM在计算效率和可扩展性方面略胜一筹。该研究为机器学习在危重护理中的广泛应用铺平了道路，从而全球扩展了预测分析在医疗保健中的应用。

Nov, 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

采用机器学习模型来预测感染性休克的早期发生，利用来自纽约布朗克斯Montefiore医疗中心的非身份识别的临床数据。

Feb, 2024

通过结合临床专业知识与基于评分、基于约束和混合结构学习算法，该研究研究了可能受政策决策影响的败血症潜在原因的潜在因果结构，并发现慢阻肺、酒精依赖和糖尿病等风险因素的存在会增加患者患败血症的可能性，从而对政策具有潜在影响。通过评估模型在预测败血症方面的能力，发现共识模型的预测准确度、敏感度和特异度均在70%左右，AUC为80%，说明该模型的因果结构在只使用可供委托目的的数据训练的情况下是相当准确的。

Jun, 2024

通过整合临床病历和ICD编码的时间和常数数据，Time-Constant KAN Integrated Network（TCKIN）模型可以提高对败血症死亡风险的准确预测，并在准确性、敏感性和特异性方面超越现有的机器学习和深度学习方法，为高风险患者的识别提供卓越的能力。

Jul, 2024

使用机器学习技术，通过元合奏方法预测败血症的发作，提高早期检测的预测准确度，结果显示元合奏模型优于单独模型，并通过AUC-ROC得分达到0.96，表明对早期败血症检测具有优势。

Jul, 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