本研究建立了一个基于机器学习的诊断系统用于心脏疾病预测，使用了包括RF、MLP、KNN、ETC、XGB、SVC、ADB、DT和GBM在内的九种分类算法和八种分类器性能评估指标，并通过一个堆叠式集成方法来评估临床决策支持系统的影响。

Apr, 2023

利用数据预处理技术和Extra-Tree特征选择方法结合Random Forest分类器，提高心衰患者生存预测准确性。采用UCL心衰生存数据集进行特征选择和调优，获得了98.33%的最高准确率。

Aug, 2023

通过使用临床数据集，该研究论文着重于开发预测结直肠癌患者1年、3年和5年生存率的算法，特别关注高度不平衡的1年生存率预测任务，使用多种标准平衡技术创建一种方法以提高真阳性率，从而显著提高了少数类结直肠癌患者的死亡预测能力。

Sep, 2023

我们提出了一种新颖的生存分析流程，既能解释模型预测结果，又能与最先进的生存模型竞争。通过改进的生存堆叠模型将生存分析问题转化为分类问题，使用ControlBurn进行特征选择，并使用可解释的增强学习机器生成可解释的预测结果。我们使用大型电子健康记录数据库预测心力衰竭的风险，该流程实现了最先进的性能并提供了关于心力衰竭风险因素的有趣且新颖的见解。

Oct, 2023

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

通过整合语音生物标志物，我们展示了一个强大而有效的机器学习模型，用于通过语音评估预测住院心力衰竭患者的死亡率，该模型的预测精度得到增强。

Feb, 2024

该研究调查了树模型在长期死亡预测上的表现，并研究了两种近期引入的生物标志物对长期死亡的影响。研究采用来自中国台湾卫生福利部的CCHIA公开数据，以及从139例急性心肌梗死患者收集的医学和人口统计学数据，使用先进的集成树模型算法预测了14年内的全因死亡率，并发现添加生物标志物后算法的性能有所提高，可更好地为高风险个体确定治疗优先级。

Mar, 2024

在这篇文章中，我们研究了数据预处理任务的影响，并比较了三种集成增强树方法来预测心肌梗塞患者的死亡风险。此外，我们采用树Shapley加性解释方法，来识别执行预测所涉及特征之间的关系，利用所有可用数据进行分析。值得注意的是，我们的方法在与其他现有机器学习方法的比较中取得了卓越的性能，LightGBM在无数据预处理的情况下的F1-score为91.2％，准确度为91.8％。

Apr, 2024

本研究针对医疗预后的现有问题，通过系统回顾各种机器学习技术的应用，指出了这些方法的有效性、挑战及未来方向。论文展示了随机森林、逻辑回归、卷积神经网络和长短期记忆网络等技术在疾病预测和风险评估中的关键优势，强调了模型解释性的重要性及数据质量的挑战，为提高患者预后提供了潜在影响。

Aug, 2024

本研究解决了ICU心力衰竭患者死亡率预测不准确的问题。通过分析MIMIC-III数据库中1,177名患者的数据，采用了先进的特征选择方法和机器学习模型比较，发现XGBoost模型在AUC-ROC测试中表现优异，达到了0.9228，为临床提供了识别高风险患者的有效工具，潜在提高护理结果。

Sep, 2024