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

这项研究揭示了 COVID-19 后遗症患者中长期神经并发症的普遍性，并展示了机器学习在预测结果方面的潜力，从而为改善患者管理和促进更好的健康结果做出了贡献。

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

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

本研究利用机器学习模型，动态识别慢性肾脏疾病患者，预测其是否需要肾脏替代治疗，可提前至一年。在研究中，我们对近三百万医保受益人进行了超过八百万次预测，证明该模型可实现超过 90％的灵敏度和特异度。该研究为筛查患者并进行早期干预以改善肾脏替代治疗成果提供了基础。

Sep, 2022

COVID-19 研究，利用人工智能和机器学习算法进行快速和准确的诊断以及通过临床数据对患者的预后进行预测。同时，调查了临床和 RT-PCR 对预测病患康复和死亡的影响，并发现机器学习在预测康复和死亡方面是可行的。

Nov, 2023

使用 800,000 多名 COVID-19 患者的数据集，提出了一种成本敏感的梯度提升机器学习模型，该模型可以预测 PE 的发生和死亡风险，并确定年龄、性别、入院地区、合并症和症状等最重要的临床预测因子，并且可以更好地规范医院风险优先级的限制，并且在世界范围内进行评估。

May, 2023

针对 COVID-19 严重患者，本研究利用九种机器学习算法和两种特征选择方法进行预测模型建立，发现重症肾脏损伤是最重要的特征。在预测死亡、ICU 需求和通气天数方面，LSTM 算法表现最佳，准确率达到 90%，敏感性为 92%，特异性为 86%，AUC 为 95%。针对通气天数的预测，DNN 算法准确率达到 88%。综合各因素和局限性，选取合适的特征和数据平衡的机器学习算法可准确预测死亡、ICU 需求和通气支持，在紧急和疫情爆发情况下非常有用。

Mar, 2024

开发了一个可解释的机器学习系统，用于预测有心血管风险的患者中的慢性肾脏病，在全球解释性框架、生物医学相关性和安全性评估等方面具有突出优势。

Apr, 2024