通过使用 CTPA 成像、临床数据和 PE 严重指数（PESI）评分来预测 PE 的死亡率，研究采用深度学习模型来预测 PE 的死亡率，并将疾病相关的成像特征和 / 或临床变量纳入 DL 模型中进行预测，结果表明多组学 DL 模型在 PE 存活预测中的 c-index 值明显高于仅使用 PESI 指数的模型。

Jun, 2024

该研究调查了树模型在长期死亡预测上的表现，并研究了两种近期引入的生物标志物对长期死亡的影响。研究采用来自中国台湾卫生福利部的 CCHIA 公开数据，以及从 139 例急性心肌梗死患者收集的医学和人口统计学数据，使用先进的集成树模型算法预测了 14 年内的全因死亡率，并发现添加生物标志物后算法的性能有所提高，可更好地为高风险个体确定治疗优先级。

Mar, 2024

针对 COVID-19 严重患者，本研究利用九种机器学习算法和两种特征选择方法进行预测模型建立，发现重症肾脏损伤是最重要的特征。在预测死亡、ICU 需求和通气天数方面，LSTM 算法表现最佳，准确率达到 90%，敏感性为 92%，特异性为 86%，AUC 为 95%。针对通气天数的预测，DNN 算法准确率达到 88%。综合各因素和局限性，选取合适的特征和数据平衡的机器学习算法可准确预测死亡、ICU 需求和通气支持，在紧急和疫情爆发情况下非常有用。

Mar, 2024

利用数据驱动的机器学习模型预测伊拉克的 352 例新冠后心血管并发症，早期检测可提供及时干预和改善预后。

Sep, 2023

通过深度学习技术，结合关注引导的卷积神经网络和集成技术，对肺栓塞进行诊断，以提高准确度和病理捕捉率。

Nov, 2023

本研究利用先进的机器学习算法，对来自伊拉克多个地区在 2021 年至 2023 年期间的 821 名新冠肺炎康复患者进行长期肾功能损害的风险预测。研究结果可能通过早期识别和干预高风险患者，改善临床结果，并为新冠肺炎患者的护理和生活质量提供宝贵的见解。

Sep, 2023

COVID-19 研究，利用人工智能和机器学习算法进行快速和准确的诊断以及通过临床数据对患者的预后进行预测。同时，调查了临床和 RT-PCR 对预测病患康复和死亡的影响，并发现机器学习在预测康复和死亡方面是可行的。

Nov, 2023

COVID-19 Early Warning System (CovEWS) is a machine learning-based clinical risk scoring system that predicts mortality rates up to eight days in advance with high specificity, outperforming existing clinical risk scores, using electronic health records (EHRs) from over 66,430 COVID-19 patients across multiple countries.

Aug, 2020

本文使用 self-supervised 学习方法（即 MoCo 方法）实现了以胸部 X 光为基础的 COVID-19 患者恶化预测模型，包括不良事件恶化和氧需求增加两种类型，并提出了可处理多图像序列的新型 Transformer-based 架构，在 96 小时内，模型准确预测了患者的恶化和死亡情况。

Jan, 2021

为了提高患者的生存率，该研究提出了一种多模态融合方法来检测肺栓塞。通过集成 CT 肺血管造影和电子病历数据，该方法融合了图像和临床信息，取得了显著的预测效果，从而超越了仅使用单个数据模式的模型。

Feb, 2024