本文提出了一种计算框架，称为Patient2Vec，以学习可解释的深度纵向电子健康记录数据表达，并将其应用于实际患者信息以预测未来住院情况，该方法展现出明显的预测性能优势。

Oct, 2018

本文总结了健康医疗知识图谱的构建管道和关键技术，并介绍了其在高级临床决策支持等医疗领域的革命性影响，最后探讨了在大语言模型时代创造全面准确的健康医疗知识图谱的机会。

Jun, 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

通过使用电子健康记录（EHR）数据，基于对比学习模型的插补-预测网络预测住院死亡风险，提供患者健康状况的早期警告给医护人员，并解决EHR数据不规则性和缺失值的问题。实验表明，该方法在插补和预测任务中胜过当前的最先进方法。

Aug, 2023

病患中心知识图谱（PCKGs）是医疗保健领域的重要转变，通过以整体性和多维度的方式映射患者的健康信息，聚焦于个体化患者护理。这篇文献综述探讨了PCKGs的方法学、挑战和机遇，以及它们在整合不同医疗保健数据和通过统一的健康视角增强患者护理方面的作用。此外，本文还讨论了PCKG发展的复杂性，包括本体设计、数据整合技术、知识提取以及知识的结构化表示等。文章强调了推理、语义搜索和推理机制等先进技术在构建和评估可行的PCKGs时的重要性，并进一步探讨了PCKGs在个体化医学中的实际应用，强调了它们在改善疾病预测和制定有效治疗计划方面的重要性。总体而言，本文提供了关于PCKGs当前技术和最佳实践的基础视角，指导未来在这一动态领域的研究和应用。

Feb, 2024

该论文介绍了一种解决人工智能在医疗领域中不可信和数据有限性的挑战的新方法，提出了一种基于贝叶斯蒙特卡洛Dropout模型和核模型的方法。该模型旨在提高对小型医疗数据集的可靠性，这是阻碍人工智能在医疗领域广泛应用的关键障碍。通过利用现有的语言模型来提高效果，并与当前的工作流程无缝集成，我们展示了即使在数据有限的情况下也能显著提高可靠性的成果，为建立对基于人工智能的医疗预测的信任以及发挥其改善患者护理潜力迈出了一大步。

Apr, 2024

利用 EMERGE 框架、Retrieval-Augmented Generation (RAG) 驅動，提取多模態電子健康紀錄 (EHR) 中的實體，並結合專業 PrimeKG 確保一致性，以加強多模態 EHR 預測建模並生成患者健康狀態相關摘要，通過交叉注意的自適應多模態融合網絡與其他模態進行融合，並在 MIMIC-III 和 MIMIC-IV 資料集上的實驗中證明 EMERGE 框架相對於基線模型的優越性，徹底研究和分析驗證了每個設計模組的有效性，以及該框架對於數據稀疏性的魯棒性。EMERGE 顯著提高了多模態 EHR 數據在醫療保健中的應用，彌補了對於知情臨床預測至關重要的細緻醫學背景的差距。

May, 2024

基于自我监督方法使用大规模数据集训练的基础模型（FMs）被广泛应用于各个领域，包括医疗保健领域，特别在自然语言处理、医学图像分析、临床大型语言模型和病理组学数据等方面。该综述论文全面概述了FMs在医疗保健领域的历史、学习策略、旗舰模型、应用和挑战，并提供了详细的医疗应用分类，同时讨论了FMs所面临的挑战和未来研究方向。

Jun, 2024

通过使用大型语言模型自动注释社会健康决定因素（SDOH）数据，并将其与常规临床变量相结合，展示了预测心力衰竭患者30天再住院率的最佳绩效。

Jul, 2024

本研究解决了大型语言模型（LLM）在医疗决策支持中存在的幻觉和缺乏细粒度上下文医学知识的问题。我们提出的KARE框架结合知识图谱社区检索与推理，构建多源知识图谱，提供精准的信息检索，从而显著提升医疗预测的准确性和可解释性，实验结果表明该框架在死亡率和再入院预测中超越了领先模型。

Oct, 2024