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

该研究提出了一种将 LSTM 和图神经网络结合使用的模型，通过利用救治过程中患者之间的关联信息，实现了对患者预后的精确预测，表现出比 LSTM 单独使用更好的效果。

Jan, 2021

我们提出了一种新颖的超图卷积网络，可以捕捉隐藏的特征结构，计算个性化的死亡风险预测，评估表明我们的方法在死亡风险预测上优于现有模型，并且几个案例研究的结果证明了构建图网络在决策中提供良好的透明性和稳健性。

Aug, 2023

在重症监护室（ICU）中，多元时间序列的丰富性为机器学习提供了改进患者表型刻画的机会。与以往主要关注电子健康记录（EHR）的研究不同，本文提出了一种使用常规收集的生理时间序列数据进行表型刻画的机器学习方法。我们的新算法将长短期记忆（LSTM）网络与协同过滤的概念相结合，识别出患者之间共同的生理状态。在实际世界的 ICU 临床数据中测试，我们的方法在脑损伤患者颅内高压（IH）检测方面取得了 0.889 的曲线下面积（AUC）和 0.725 的平均精度（AP）。此外，我们的算法在学习生理信号的结构化潜在表示方面优于自编码器。这些发现突显了我们方法在利用常规多元时间序列改善临床护理实践的患者表型刻画方面的巨大潜力。

Feb, 2024

通过将临床记录作为另一种数据形式添加到机器学习模型中，可以在 ICU 管理的几项基准任务中实现显著的改进，包括住院死亡率预测、恶化建模和住院时间预测。

Sep, 2019

实验结果突出了 LSTM 模型对建立真实世界预测引擎的高效性，通过利用严格的多变量时间序列测量将时间框架缩小到 6 小时，这个自动数据驱动系统可以分析从电子健康记录中得出的大量多变量时间数据，提取高级信息以早期预测住院死亡率和住院时间。

Aug, 2023

本文旨在利用所有可用的 ICU 数据（生命体征、实验室数据、病历及患者基本信息）并关注学习数据的丰富表示，通过使用递归神经网络 LSTM 和卷积神经网络 CNN 分别预测侵入性干预的发生和停止。该预测支持 “实时” 表现，并在六小时内进行以支持临床可操作的规划，同时通过特征遮盖等方法提高模型的解释性，最终超过对照组并提供模型学习洞见。

May, 2017

机器学习在医生对病人的发展趋势获得洞察力方面受到越来越多的关注。我们提出了一种名为多模态 UMLS 图神经网络学习（MMUGL）的新方法，用于使用基于统一医学语言系统的知识图上的图神经网络学习医学概念的有意义的表示。这些表示被聚合表示整个病人就诊情况，然后输入到序列模型中以在病人的多次医院就诊的粒度上进行预测。我们通过整合先前的医学知识并考虑多种模态来提高性能。我们将我们的方法与用于不同粒度上学习表示的现有架构在 MIMIC-III 数据集上进行比较，并展示出我们的方法优于这些方法。结果表明了基于先前的医学知识的多模态医学概念表示的重要性。

Jul, 2023

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

提出了一种名为 GraphCare 的基于开放框架的方法，其结合了外部知识图和医疗健康记录，旨在提高医疗预测的精度。使用大型语言模型和外部生物医学知识图生成个性化图知识，并使用提出的双重注视增强的 BAT 图神经网络用于医疗保健预测。实验结果表明，GraphCare 方法在几个重要的医疗预测任务中的性能都优于基线模型，尤其是在数据稀缺的情况下表现优异。

May, 2023