为了解决医疗机器学习中数据不一致和标准化处理框架缺失等难题，MIMIC-Extract提供了一种开源管道，将公开可用的MIMIC-III数据库中的复杂健康记录数据转换为可以直接用于通用机器学习管道的数据帧，并展示了其在基准任务和基线结果中的实用性。

Jul, 2019

使用两项预测任务，即再入院预测和入院期间死亡预测，来表征医疗笔记中信息的价值，我们发现整体而言，医疗笔记仅在再入院预测中提供额外的预测能力。最后，我们证明，针对所选有价值的信息进行训练的模型可以实现更好的预测性能，而只使用6.8％的所有标记即可实现。

Oct, 2020

本研究基于Transformers预训练的语言表示学习方法，将特定医学记录中的信息提取，映射到标准词汇中，并在医院死亡预测任务中测试不同输入格式的性能，结果表明使用提取的唯一概念和标准名称作为输入可以获得更好的性能。

Jul, 2022

本论文提出一个新型的多模态变压器，用于融合医疗记录数据和医生的述职记录来预测住院死亡率，并使用可视化方法展示关键的医疗记录和医疗数据特征，进而提高了诊断的可解释性和预测的精度。

Aug, 2022

本文提出了FINEEHR系统，采用度量学习和微调等两种表示学习技术来优化临床记录的嵌入，以提高预测准确性。使用MIMIC III数据集评估FINEEHR的表现，结果表明两种嵌入优化方法均能提高预测准确性，同时它们的组合给出了最好的结果，平均AUC为96.04％，平均AUC-PR为96.48％。

Apr, 2023

该研究提出了一种利用电子健康记录数据进行大规模癌症风险预测的新方法，通过最小数据贪婪策略结合机器学习和生存分析的Survival Ensemble方法，能在医疗机构中得以复制，并在癌症患者检测方面取得了比传统医学筛查更好的结果。

Sep, 2023

使用预测性机器学习模型和电子健康记录来预测心理诊断患者的死亡率所带来的持久挑战，机器学习算法（逻辑回归、随机森林、支持向量机和k近邻）的结果表明随机森林和支持向量机模型优于其他模型，AUC得分为0.911，药物处方，尤其是硫酸吗啡在预测中起到关键作用。这项研究可用于帮助医院工作人员识别有风险的患者，减少过度死亡。

Oct, 2023

通过使用与临床环境相一致的关键指标，研究成功构建出以临床重要指标为重点的机器学习模型，从而提高了 ICU 患者护理水平。

Mar, 2024

本研究针对医疗预后的现有问题，通过系统回顾各种机器学习技术的应用，指出了这些方法的有效性、挑战及未来方向。论文展示了随机森林、逻辑回归、卷积神经网络和长短期记忆网络等技术在疾病预测和风险评估中的关键优势，强调了模型解释性的重要性及数据质量的挑战，为提高患者预后提供了潜在影响。

Aug, 2024

本研究针对现有电子健康记录（EHR）处理管道在计算效率和可扩展性方面的不足，提出了meds_reader，一个优化的Python包，以提高EHR数据处理的速度。研究表明，通过重新实现两个主要EHR处理管道的关键组件，meds_reader在内存、速度和磁盘使用方面实现了10到100倍的改进，具有重要的应用潜力。

Sep, 2024