针对 COVID-19 严重患者，本研究利用九种机器学习算法和两种特征选择方法进行预测模型建立，发现重症肾脏损伤是最重要的特征。在预测死亡、ICU 需求和通气天数方面，LSTM 算法表现最佳，准确率达到 90%，敏感性为 92%，特异性为 86%，AUC 为 95%。针对通气天数的预测，DNN 算法准确率达到 88%。综合各因素和局限性，选取合适的特征和数据平衡的机器学习算法可准确预测死亡、ICU 需求和通气支持，在紧急和疫情爆发情况下非常有用。

Mar, 2024

使用机器学习技术，采用抗干扰训练方法，利用基础的临床数据，开发了两个能较好地预测患者 COVID-19 状态的连续神经网络模型，并提高了模型隐私保护能力，可有效减少医疗信息泄漏。

Jan, 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

通过对使用机器学习算法诊断传染病的最新研究文章的综述，我们发现大多数文章使用小数据集，结论表明合适的机器学习技术取决于数据集的类型和预期目标。

Jun, 2022

该研究介绍了一个名为 “YAIB” 的模块化框架，旨在为医疗保健机器学习领域定义可重复和可比较的实验，支持大部分开放获取的重症监护病房数据集，并为多个机器学习和深度学习模型提供透明的预处理管道和可扩展的训练代码。通过这个框架，作者发现数据集、分类定义和预处理工具对模型预测性能有着重要影响。

Jun, 2023

本文研究了使用多种来源的数据，以 eICU 协作研究数据库为例，证明了交叉验证可以提供合理的模型性能估计，表明跨不同医院训练的单一模型具有很强的泛化能力，强调了数据共享可以优化模型的性能。

Dec, 2018

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

本文提出了一种针对肺炎或 COVID-19 住院患者的风险评估新方法，基于入院报告和其它文本数据，采用 Longformer 神经网络计算患者的风险评分，实验结果表明我们的方法优于 Transformer 基线模型，并具有多种优势。

May, 2023

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

为应对抗生素耐药性的日益严峻，该研究发展了一种 “病毒对细菌” 机器学习模型，使用 16 种常规血液检测结果、C - 反应蛋白水平、生物性别和年龄来区分这些感染类型，证明了该模型在诊断决策方面表现出更高的准确性和诊断价值。

May, 2023