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

基于电子健康记录（EHR）分析患者的健康状况是医学信息学中的一个基础研究问题。现有的深度学习训练协议需要使用统计信息或填补模型来重构缺失值，但是这限制了模型性能。本文引入了 Learnable Prompt as Pseudo Imputation（PAI）作为一种新的训练协议，通过构建可学习的提示来模拟下游模型对缺失值的隐含偏好，从而显著提高所有 EHR 分析模型的性能。此外，实验结果表明，在数据不足和高缺失率的情况下，PAI 表现出更高的鲁棒性。更重要的是，在涉及零射评估的跨机构数据的真实应用中，PAI 展现了更强的模型泛化能力，特别是对非重叠特征。

Jan, 2024

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

在保健医疗的高风险领域中，确保预测模型的公平性至关重要。我们提出了一种针对电子健康记录（EHRs）的公平感知临床预测的通用框架 FairEHR-CLP，它通过对比学习的方式在两个阶段操作，利用患者人口统计学、纵向数据和临床记录。这一框架在多个 EHR 数据集和任务上进行了广泛实验，证明了其在公平性和效用方面相对于竞争性基线模型的有效性。它是确保预测性保健模型准确性和公平性的一个进步。

Feb, 2024

使用电子病历（EHR）来预测下次就诊诊断是医疗保健中的重要任务，为医疗服务提供者和患者制定主动的未来计划至关重要。然而，许多先前的研究没有充分解决 EHR 数据中固有的异质性和分层特征，不可避免地导致次优性能。为此，我们提出了 NECHO，一种新颖的以医学代码为中心的多模态对比 EHR 学习框架，具备分层正规化。首先，我们使用定制的网络设计和一对双模态对比损失来整合包括医学代码、人口统计和临床记录在内的多方面信息，这些信息都围绕着医学代码表示。我们还使用医学本体中的父级信息对特定于模态的编码器进行正规化，以学习 EHR 数据的层次结构。对 MIMIC-III 数据进行的一系列实验证明了我们方法的有效性。

Jan, 2024

通过利用患者电子健康记录中有用的信息和新颖可解释的深度学习框架，该研究致力于预测意外住院并提高预测结果的解释性，从而减少医院成本和改善患者健康。

Oct, 2023

本论文通过手工建模和学习内插嵌入，采用分离机制建模不规则的时间序列；采用时间注意力机制，将临床记录的一系列表示为多元不规则时间序列，并采用交织注意机制跨时间步骤进行多模态融合，以整合多模态表示。结果表明，我们提出的方法在单一模态和多模态情景下都优于现有方法，说明了我们方法的有效性和模拟不规则性的价值。

Oct, 2022

本研究提出了一种基于深度半监督学习框架的 ehrGAN 模型来增强由限制的 Electronic Health Records 数据引发的风险预测绩效，并在两个真实的卫生健康数据集上的实验证明该模型可以产生逼真的数据样本，并且在生成数据的分类任务中，该模型较其他基线方法取得了更显著的改进。

Sep, 2017

首次提出对于高度失衡的 EHR 数据和相关 COVID-19 数据分析，对比损失（CL）能够提高交叉熵损失（CEL）的性能，尤其是在机器学习（ML）模型需要大规模、平衡的训练数据以在医疗场景中具有鲁棒性、可泛化性和有效性的情况下，该方法可扩展并用于 EHR ML 工作。

Jan, 2021