通过更新 HiP-MDP 框架并将其扩展到针对艾滋病治疗的个人化医学策略的更健壮的开发，解决由于生理变异而导致的患者对同一治疗方法产生不同的但相关的反应的问题。

Dec, 2016

本研究提出一种新的方法，使用电子健康记录（EHR）的医疗文本，通过多视图图表和图卷积网络对患者出院小结进行表征学习，以预测重返重症监护病房的风险，获得了最优的预测效果。

Dec, 2021

我们提出了一种机器学习方法来预测活跃健康老龄化应用程序的早期退出，并通过处理给定的数据库、生成七个数据集并使用预处理技术构建分类模型来预测用户的依从性，提交 11 次正式运行并展示机器学习算法能够提供高质量的依从性预测。

Aug, 2023

该研究开发和提出了一种知识蒸馏（KD）方法（RDPD）来利用从丰富的私有数据训练的高复杂模型的蒸馏知识来增强在贫数据环境中训练的预测模型，在三个真实数据集上评估 RDPD ，并证明其蒸馏模型在所有数据集上一致优于所有基线模型，特别是在 PR-AUC 上比仅使用低质量数据训练的模型提高 24.56％，在 ROC-AUC 上提高了 12.21％，并且比现有技术的 KD 模型优化了 5.91％的 PR-AUC 和 4.44％的 ROC-AUC.

Sep, 2018

提出了一种名为 GraphCare 的基于开放框架的方法，其结合了外部知识图和医疗健康记录，旨在提高医疗预测的精度。使用大型语言模型和外部生物医学知识图生成个性化图知识，并使用提出的双重注视增强的 BAT 图神经网络用于医疗保健预测。实验结果表明，GraphCare 方法在几个重要的医疗预测任务中的性能都优于基线模型，尤其是在数据稀缺的情况下表现优异。

May, 2023

通过构建一个具有四个模块（Chest Feature Extractor、Dynamic Knowledge Extractor、Specific Knowledge Extractor 和 Multi-knowledge Integrator）的 Dynamic Multi-Domain Knowledge 网络，本研究旨在解决自动化生成放射学诊断报告的视觉和文本数据偏倚问题，实验结果表明该方法在评估指标上表现优于先前的技术模型。

Oct, 2023

提出了一种基于超网络的方法，使用任务条件参数和多任务预测模型的系数来学习任务特定的预测并平衡多任务学习，将语义任务信息合并到模型中，以解决多任务学习中的干扰和泛化问题，并在真实世界的 MIMIC 数据库上表现出比强基线更好的多任务病人结果预测性能，在限制信息场景及对未见过的诊断类别问题，也能有效地应对。

Sep, 2021

本文提出从患者诊断记录中构建知识图谱的框架，并在英国 COVID-19 临床评估服务（CCAS）患者数据集中对 COVID-19 患者的诊断笔记应用该框架，与传统的 NLP 方法相比，证明该方法在回答患者问题时具有更好的准确性。

Jun, 2023

通过结合医学领域知识，我们设计了一种深度知识感知的网络框架（DKDD）以准确检测社交媒体用户是否患有抑郁症，并解释导致此类检测的关键因素。我们的实证研究表明，该方法优于现有最先进的方法，可以提供早期检测和解释关键因素，从而补充临床抑郁症筛查并评估人群的心理健康状况。

Mar, 2023

本文提出一个新框架，通过使用知识图谱和连续时间神经网络，将患者健康数据合成为多模态数据，以便进行实时分析，从而为数字孪生模拟和个性化医疗提供全面和适应性的视图及实时分析。

Jul, 2023