本文采用深度学习技术，以多模态数据为特征预测 ICU 死亡率，在 MIMIC-IV 数据集上进行验证，结果显示平均 C 指数为 0.7829，明显优于基线 SAPS-II 特征 (0.7470) 并证明了已预定义标签 (2.00%)、文本特征 (2.44%) 和影像特征 (2.82%) 的贡献。

Jun, 2023

采用机器学习模型来预测感染性休克的早期发生，利用来自纽约布朗克斯 Montefiore 医疗中心的非身份识别的临床数据。

Feb, 2024

研究以机器学习算法 (KATE) 为基础，与就诊数据进行综合，能够在急诊科中高准确度地诊断感染性休克，并且其在重症感染和感染性休克的诊断性能明显优于常用的诊断方案。

Apr, 2022

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

我们应用机器学习技术解决急性感染和败血症快速准确诊断和预后的医学需求，通过测量患者血液中 29 种信使 RNA 的丰度作为机器学习的特征，并通过分类器将这些特征转化成直观的检测报告，包括细菌感染、病毒感染和病情严重程度的区分。在内部验证中，该系统在三种疾病诊断（细菌感染、病毒感染或未感染）上实现了 0.83 的 AUROC 值，在疾病严重程度的二元预测上实现了 0.77 的 AUROC 值。该系统已经获得了美国食品药品监督管理局（FDA）的突破性设备认定，本工程手稿介绍了用于将学术研究概念转化为临床产品的标准和新颖机器学习方法，并讨论了相关经验教训。

Jul, 2024

利用机器学习和多子集方法进行感染性休克早期预测可缩短预测时间，并以时变趋势特征进一步改进早期预测的性能。

Apr, 2023

研究使用机器学习分类器对住院患者的暗场显微镜下的微循环视频进行非感染和感染图像的区分，该分类器准确度达到 89.45％。分类器用于区分感染和非感染患者的特征空间具有潜在的诊断应用价值。同时，使用无监督的卷积自编码器将学习到的特征从压缩的表征中聚类，可用于识别健康的微循环图像与有微循环功能障碍的图像。

Oct, 2018

本文介绍了一种可伸缩的端到端分类器，它使用连续的生理时间序列和药物数据来准确预测败血症的发作，并且可以在高度不确定、频繁缺失和不规则采样率的真实临床数据中工作。通过使用任务多元高斯过程模型和基于回归神经网络的黑盒分类器，我们表明在大规模的医院数据中，该分类器胜过了我们医院目前使用的新闻评分，并且收益了 19.4％和 55.5％的改进。

Jun, 2017

本研究使用公共 eICU-CRD 数据集和韩国圣玛丽医院的私人数据集，对 LightGBM 和 XGBoost 两种集成学习方法进行比较分析，发现这些方法在处理医疗数据不平衡和增强脓毒症检测方面的有效性。具体而言，LightGBM 在计算效率和可扩展性方面略胜一筹。该研究为机器学习在危重护理中的广泛应用铺平了道路，从而全球扩展了预测分析在医疗保健中的应用。

Nov, 2023

本文提出了一种实现在医学设施内部署的早期预测严重感染的方法，使用机器学习与深度学习方法，研究人员还提出了夜间患者个体风险特征向量的学习方法，通过实验验证了该方法的有效性。

Apr, 2023