使用电子健康记录进行循证医学和准确预测，通过 Fast Healthcare Interoperability Resources (FHIR) 格式表示病人的原始病历记录，并使用深度学习方法进行多中心的多个医疗事件预测，包括住院死亡率、未经计划的 30 天再入院率、医院停留时间延长、所有患者的最终出院诊断等。

Jan, 2018

使用 Bayesian 模型和医疗索赔数据构建了一个可解释的生存模型，预测患者出院后的复诊和死亡风险，除了提高准确度，还能够量化相关风险因素和出院前景。

Aug, 2022

通过标准化和可解释的机器学习流程，该研究在多中心数据库上建模和预测了患者再次入院，使用随机森林分类模型获得了高达 0.7 的预测性能，并提供了对生命体征、血液检查、人口统计学信息和 ICU 相关变量等方面的有见地的结果，对临床医生的决策提供了宝贵的信息。

Sep, 2023

利用保险数据，通过构建双向 LSTM 神经网络，本研究成功预测了医院的所有诊断病例中患者 30 天再次入院的风险。与随机森林分类器的结果相比，LSTM 模型的性能显著提高，证明了序列预测在该问题中的重要性。同时，加入了 30 天的历史数据后，模型的性能也有显著提高，提示历史诊疗记录的重要性。

Jun, 2022

通过使用最先进的机器学习方法和自然语言处理，我们检验了每种数据类型的有效性和它们组合起来的影响，以预测 ICU 患者的再次入院情况，并且在这个数据集上建立了未计划再次入院的分类等级，最终发现医生写的出院记录比其他数据类型更能够预测再次入院的情况。

May, 2023

本研究提出了一种基于深度学习的框架，通过将病人路径从电子健康记录中编码成影像，突出显示路径影像中的重要事件，实现更复杂的预测并提高可解释性，其中使用了深度注意机制，并允许预测多个连续结果。

Mar, 2021

本研究提出一种新的方法，使用电子健康记录（EHR）的医疗文本，通过多视图图表和图卷积网络对患者出院小结进行表征学习，以预测重返重症监护病房的风险，获得了最优的预测效果。

Dec, 2021

本文介绍了如何将领域知识与深度学习结合，以预测医院出院后出现的不良事件，包括再住院。我们使用基于自注意力的循环神经网络计算的患者数据表示，与临床相关特征相结合的学习架构进行了广泛实验，并证明了混合方法优于标准机器学习方法。

Apr, 2021

对基于电子健康记录数据的深度学习预测模型的最新进展进行系统综述，并讨论了预测建模在医疗保健中的挑战、基准和工具，以及未来研究的方向。

Feb, 2024

利用文本挖掘方法和患者电子档案中的出院报告文本进行患者再住院预测，本研究评估了各种机器学习模型在预测患者再住院过程中的效果，并比较了词袋法和概念词袋法两种方法，结果显示随机森林模型和概念词袋法在其他机器学习模型和方法中具有更高的效率，相比于在该领域使用机器学习模型的类似研究，本研究在预测患者再住院概率方面取得了最高分数，回忆率为 68.9%。

Mar, 2024