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

通过比较临床判断和随机机器学习模型的预测效果，我们研究了三种最有效的随机机器学习技术（随机森林，梯度提升机和带有中断的深度神经网络）在预测阿瑟灵危险因素方面的效力。

May, 2016

通过整合主成分分析和 K 均值聚类，本文初步发现了在目前风险建模框架中对特定特征进行辨识以及这些特征对其潜在影响的研究成果，并评估了按簇训练预测模型的性能。研究结果表明可能需要为特定年龄段的儿童开发单独的模型，以提高模型准确性。然而，还需要更多证据来得出明确的结论，需要进行进一步的调查。

Aug, 2023

该研究对大规模行政数据在高等教育中对大学辍学预警系统中的贡献因素和预测性能进行了系统评估，发现大学第二年末的辍学预测在随机森林模型中的 AUC 比入学时高出 20％，而入学时的预测因素则被大学表现和后期的入学行为所取代，对于传统劣势背景学生来说，大学 GPA 对预测具有更高的价值。

Jan, 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

采用机器学习，为老年护理提供了生存模型，增强了模型可解释性及临床效用。

Dec, 2023

研究通过系统地检查已发表的文献，旨在发现在使用机器学习来研究移民、难民、移民和少数族裔的心理健康中存在的潜在差距。

Apr, 2023

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

研究利用观察数据，设计有效的、公正的、可解释的政策，将异质人群分配到不同类型的资源。将此问题建模为多类多服务器排队系统，提出了一种基于因果推论技术的方法来构建个人队列，并提供混合整数优化公式以最优化资源分配资格结构。在实验中发现，本研究框架可以提高对少数族裔和未成年人等弱势群体的解救率，同时使等待时间更短。

Jan, 2022

本文探索使用社交媒体数据预测多种心理健康状况的自动化检测方法，根据诸如句法复杂性、词汇复杂性和多样性、情感等语言特征，基于混合和集成模型的比较后发现多分类模型在自动化心理健康检测研究中更加准确有效。

Dec, 2022