本文探讨采用长短期记忆（LSTM）深度神经网络来挖掘多元时间序列的临床医疗数据，特别是在重症监护病房（ICU）中的应用，通过将128个诊断结果与13个临床测试指标进行分类建模，获得了优于其他多层感知机的分类效果。

Nov, 2015

该研究旨在通过使用双分图表示患者和医生之间的关系，将患者和医生之间的相似性作为时间敏感预测模型的潜在表示方法，并对慢性淋巴细胞白血病患者进行治疗首次疗程的预测实验，结果表明与多个基线相比，和关系相似度能够提高预测准确率达到5%。

Jul, 2019

该研究使用区间动态时间规整法（iDTW）从医学记录中提取数据特征，实现肿瘤、乙肝和糖尿病患者记录的分类和预测，并比较使用抽象数据与原始时间戳数据间的性能差异。

May, 2021

本文提出了一种基于保序匹配的顺序保持顺序模式(OPP)挖掘方法，旨在通过相对顺序来表示时间序列数据，发现时间序列中的频繁趋势，并应用于COVID-19疫情分析和聚类性能提高。

Jan, 2022

提出了一个基于快速CM-SPAM算法的通用框架TaSPM，旨在解决有目标序列的顺序模式挖掘问题，并通过设计四种修剪策略提高其在大规模数据集和多项基序列数据集上的效率。大量实验证明，TaSPM算法可以实现更快的运行时间和更少的内存消耗。

Feb, 2022

我们提出了一个深度生成时间序列的方法，利用潜在的时间过程来对复杂疾病轨迹进行建模和全面分析。通过结合生成方法与医学知识，我们展示了学习到的时间潜在过程可用于进一步数据分析和临床假设测试，包括发现相似患者和对疾病进行新的子类型聚类。此外，我们的方法能够进行个性化在线监测和多变量时间序列的预测，包括不确定性量化。我们在建模系统性硬化病过程中展示了我们方法的有效性，展示了我们机器学习模型捕捉复杂疾病轨迹和获取新医学知识的潜力。

Nov, 2023

使用深度学习对表格时间序列模型进行步进式嵌入，提高临床序列建模的性能。

Nov, 2023

医疗记录的时间序列中，通过使用马尔可夫生成模型来建模不规则的时间间隔，将临床治疗的子类型和疾病进展模式从数据中恢复和准确建模。

Nov, 2023

本研究解决了在医疗保健中早期诊断的复杂问题，即如何直接预测临床测量（原因），而非其结果（效果）。研究提出了一种创新的方法，通过临床变量的时间序列预测来进行预测，此方法具有易于临床实践者理解的优势。实验结果表明，使用标准密集编码器与迭代多步解码器的组合在预测稀疏的临床变量方面效果最佳，有助于精准识别与败血症相关的指标。

Aug, 2024

本研究针对传统机器学习和信号处理技术在医学领域多样化生理信号分析中的不足，提出了一种新的多模态大规模语言模型框架MedTsLLM。该框架通过集成时间序列数据和文本信息，显著提升了临床相关任务的性能，尤其在心电图和呼吸波形分析方面超越了现有的先进方法，有望改善临床决策和患者结果。

Aug, 2024