使用连续状态空间模型和深度强化学习来推断感染症患者的最佳治疗方案，能够减少患者在医院内的死亡率。

May, 2017

利用长短期记忆和层次注意力机制，建立深度学习模型解决 ICU 中生理时间序列数据的不规则和缺失问题，实现对 ICU 死亡风险的预测，并在 PhysioNet 2012 数据集上取得了竞争力和可解释性的结果。

Jul, 2017

本研究提出一种基于深度学习方法的感染监测系统：该系统利用电子病历等数据预测感染发生的可能性并辅以早期干预以提高为病人争取更多时间，其性能表现在 AUROC 值为 0.856，可在感染发生前三小时预测。

Jun, 2019

本篇研究提出了一种基于多模态 Transformer 模型的早期脓毒症预测方法，使用每位患者在 ICU 入院后 36 小时内的生理时间序列数据和临床笔记，仅利用前 12、18、24、30 和 36 小时的实验室指标、生命体征、患者特征和临床笔记进行预测。在 MIMIC-III 和 eICU-CRD 两个大型重症监护数据集上评估了我们的模型，结果证明我们的方法在所有指标上优于竞争基线。

Mar, 2022

本文系统地检验了机器学习模型在临床预测任务方面的表现，尤其是在生理时间序列方面，并选择Physionet 2019挑战公共数据集来预测ICU单位脓毒症结局。比较了十个基准机器学习模型，包括三种深度学习方法和七种临床预测领域常用的非深度学习方法，使用了九个具有特定临床意义的评估指标来评估模型的表现。结果表明，深度学习的确优于非深度学习，但必须满足特定的条件才能达到更好的表现，这些条件包括使用特定的评估指标以及拥有足够规模的训练数据集。

Nov, 2022

本研究使用四个数据来源的数据，评估深度学习模型在不同医院的准确性，在模型性能方面，多数据来源模型表现相当，明确优化模型的方法并没有显著提高性能。

Mar, 2023

本研究使用可解释的深度学习预测模型N-BEATS来预测ICU中脓毒症患者3小时的生命体征趋势，并使用公开可用的eICU协作研究数据库数据集对其进行评估。

Jun, 2023

通过知识蒸馏和约束变分推断，我们使用一个高预测能力的“教师”神经网络模型来训练一个“学生”潜在变量模型，学习可解释的隐层表示，以实现对脓毒症预测结果的高准确性。

Nov, 2023

通过使用与临床环境相一致的关键指标，研究成功构建出以临床重要指标为重点的机器学习模型，从而提高了 ICU 患者护理水平。

Mar, 2024

该研究通过结合深度学习模型和注意力机制的框架，提高其在预测败血症过程中的可解释性，从而支持临床决策。研究通过评估基于eICU-CRD数据集的模型在预测败血症患者生命体征方面的表现，并采用均方误差（MSE）和动态时间规整（DTW）度量来评估其性能，同时探索了N-HiTS和N-BEATS的注意力图，研究关键因素对生命体征预测的影响。

May, 2024