本论文研究了怀孕期间母婴保健的重要性，探讨了人工智能辅助超声波技术诊断胎儿发育状况的可行性，特别是针对在低资源环境下不熟练的超声设备操作人员的辅助作用，模型可以用于预测孕周和胎儿位置，提高了胎儿保健水平。

Mar, 2022

研究探讨了使用机器学习方法提前预测糖尿病患者住院需求的重要性，同时阐述了在数据收集和模型预测中消除社会相关的数据偏差的必要性。该研究提出了一种机器学习流程，能够检测并缓解数据和模型预测中的偏差，从而获得更加公正的预测结果。实验证明，及时消除数据收集过程中的偏差可以得到更加公平的预测结果。

Jun, 2022

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

使用可解释性增强学习机（EBM）进行预测和风险因素的识别，可以改善孕期并发症的预测和预防，提高临床应用的潜力。

Oct, 2023

本研究使用深度学习模型从 ARMMAN 基于电话的信息项目中预测短期和长期的产妇退出率，以解决印度母亲死亡率过高的问题。模型表现比竞争基线模型分别提高了 13％和 7％。此方法在现实应用中有潜力进行有针对性的干预措施。

Jun, 2020

该研究介绍了 HuLP，一种用于临床环境中改善预后模型的可靠性和可解释性的人机协同模型。HuLP 通过人机协作，赋予临床医生与模型进行交互和纠正预测的能力，从而生成更准确的预后结果。此外，HuLP 利用神经网络和个性化方法有效地处理缺失数据，从而更好地捕捉病人群体内的细微变化，提高预后预测的可靠性。通过在两个真实的、公开可用的医学数据集上进行实验证明了 HuLP 的优越性。

Mar, 2024

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

本研究使用机器学习算法基于患者数据预测患者短期和长期预后，以及病人的出院去向等重要临床结果，帮助医疗团队提升决策质量并实现有效的医院管理。实施该工具后平均每位患者住院时间减少了 0.67 天，每年可为医疗系统创造高达 5500 万至 7200 万美元的经济效益。

May, 2023

该研究展示了机器学习系统在通过风险评分预测患者不良事件方面的巨大潜力，但未来介入干预政策会对风险评分产生影响，所以在此提出了一种联合模型来更加明确地传达有关未来干预的假设。通过将典型风险评分与未来干预概率评分相结合，可以提供更可解释的临床预测。

Jul, 2022

探讨利用机器学习算法进行医学影像诊断的问题，并提出在线调度问题的解决方案，通过分析来自不同紧迫性病人的数据，制定出优先顺序以提高病人救治效率。

Dec, 2022