本研究通过 Deep Learning 技术和 Valent Aware Dictionary for sEntiment Reasoner 工具，对来自全球不同地区的推文进行情感分析，统计了关于 COVID-19 疫苗的社交媒体上的积极、消极和中立评论的比例，并通过 LSTM 和 Bi-LSTM 等深度学习算法验证了预测模型，为大众提供理解公众对 COVID-19 疫苗的看法的帮助。
Aug, 2022
该研究论文提出使用深度学习方法和特征增强技术评估患者是否有心血管疾病的风险，其结果优于其他最先进方法 4.4%，精度达到 90%，对于影响大量人口的疾病而言，这是一个显著的改进。
Feb, 2024
使用社交媒体数据进行疾病监测，提出了一种基于个人水平而非人口统计学水平的新的疾病监测系统，通过组合文本分析、异常检测和社交网络分析等手段，可以在个人水平诊断感染流感的准确性超过 99%。
Apr, 2014
该研究使用基于机器学习算法的集成分类器框架，结合多种性能度量方法，对一个包含多国心血管疾病个体的大型数据集进行研究，获得了 92.34% 的准确率，较现有研究表现更佳。
Jun, 2023
本文设计并评估了一种捕捉在社交媒体上关于 CVD 相关的心理健康症状如何不同地表达男女之间的方法，并采用 GeM，一种任务自适应的多任务学习方法来区分不同性别的语言中的心理健康症状，GeM 模型相比于当前最先进的语言模型，能更好地识别和预测心理健康问题和性别标签。
Mar, 2022
心血管疾病与吸烟、血压升高和胆固醇水平的关联突出了这些危险因素的重要性。本研究使用六种不同的机器学习模型进行比较分析：Logistic 回归、支持向量机、决策树、包装法、XGBoost 和 LightGBM。结果表明，XGBoost 作为表现最佳的模型，显示了提高冠状动脉梗塞预测精确性的潜力。
Nov, 2023
通过自然语言处理技术，本论文以社交媒体数据为资源，研究了乳腺癌患者 / 幸存者的自述信息以及相关药物治疗的副作用和使用模式，揭示了社交媒体数据在乳腺癌研究中的巨大潜力。
基于一维卷积神经网络的心血管疾病风险预警模型，通过填充和标准化 13 个生理指标，将卷积神经网络转化为二维矩阵，并采用一阶卷积操作和最大池化算法进行降维，通过 Adam 算法进行优化。相对于传统方法，该技术的预测精度提高了 11.2%，对数曲线拟合也有显著改善，通过一维卷积神经网络的检验，证实了该新方法的效力和适用性。
Jun, 2024
本文旨在将 Large Language Models 中的知识传递到临床心电图中，通过引入 Optimal Transport 生成质量高的心脏诊断报告，并且表现出与监督基线相媲美的零 - shot 分类性能，证明了从 LLMs 到心脏领域的知识转移的可行性。
Jan, 2023
该研究提出一种名为 WESPAD 的方法，结合词汇、句法、词嵌入和上下文等多种特征，在社交媒体上检测个人健康事件，其可以适应新疾病和条件，且在数据量小的情况下表现优异。
Feb, 2018