本研究利用先进的机器学习算法，对来自伊拉克多个地区在 2021 年至 2023 年期间的 821 名新冠肺炎康复患者进行长期肾功能损害的风险预测。研究结果可能通过早期识别和干预高风险患者，改善临床结果，并为新冠肺炎患者的护理和生活质量提供宝贵的见解。

Sep, 2023

利用人工智能和机器学习技术分析和预测 Post-COVID-19 综合征中的多器官功能障碍的应用，以提高早期诊断和管理此复杂情况的效果，进而改善患者的疗效和生活质量。

Sep, 2023

利用数据驱动的机器学习模型预测伊拉克的 352 例新冠后心血管并发症，早期检测可提供及时干预和改善预后。

Sep, 2023

利用机器学习技术识别与 COVID-19 后心理健康障碍相关的风险因素，结果显示年龄、性别、居住地区、合并症和 COVID-19 病情严重程度是影响 COVID-19 后患者心理健康障碍发生的重要因素，并且心理社会因素如社会支持、应对策略和感知压力也起到了重要作用。这些发现强调了多个因素在 COVID-19 康复后心理健康障碍发展中的复杂相互作用，医疗服务提供者和决策者在制定有针对性的干预和支持系统时应考虑这些风险因素。机器学习方法在预测和预防 COVID-19 后不良心理健康结果方面提供了有价值的工具。需要进一步的研究和前瞻性研究来验证这些发现，并增进对 COVID-19 大流行长期心理影响的理解。本研究为 COVID-19 大流行的心理健康后果方面的知识积累做出了贡献，强调了以多学科为基础的方法来满足康复个体多样化需求的重要性。

Sep, 2023

基于 2022 年和 2023 年伊拉克收集的 913 例新冠肺炎康复患者数据，该研究调查了新冠肺炎后康复患者胃肠道症状的普遍性和模式，并利用机器学习算法识别了这些症状的预测因素。研究结果显示，相当比例的新冠肺炎后康复患者在康复阶段出现胃肠道症状，其中腹泻是最常见的症状，其次是腹痛和恶心。通过机器学习分析，发现年龄、性别、疾病严重程度、合并症以及新冠肺炎病程持续时间是胃肠道症状的重要预测因素。这项研究强调了监测和应对新冠肺炎后胃肠道症状的重要性，并指出机器学习提供了早期识别和个性化干预的有价值工具。进一步的研究将有助于深入了解新冠肺炎幸存者胃肠道症状的机制，并开发针对症状管理的有针对性干预措施。

Sep, 2023

本研究提出了一种空时关注机制，可以从时间维度和特征空间共同衡量特征重要性，以识别 COVID-19 的后续慢性病。实验结果表明，在长 COVID 患者的预测结果中，Local-LSTM 和联合空时关注优于其他有关方法。此提出的方法为长 COVID 的严重评估提供了一种临床工具。

Jul, 2023

使用诊断代码数据及深度学习，我们能够预测出是否出现了了长期 COVID 症状并从最高分诊断方案中判断出其中较重要的因素。

Oct, 2022

COVID-19 对不同年龄人群的持久影响，包括长期影响、诊断、治疗、疫苗接种和未来预防措施的综合理解。

Jun, 2024

这项研究利用机器学习技术自动识别 290 名伊拉克医院收集的 COVID-19 后患者的持续性炎症生物标志物，结果显示机器学习模型具有高准确性和精确性，可用于自动检测 COVID-19 后患者的持续性炎症，以实现早期诊断和个性化治疗策略，从而改善 COVID-19 后期护理和患者福祉。

Sep, 2023

通过病人症状，临床数据和医疗成像的大数据集，机器学习模型能够分析预测 COVID-19，其中症状为基础的模型表现良好，但图像为基础的模型的精确度通常较高。

Dec, 2023