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

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

利用机器学习和可解释预测的方法，提供对因脓毒症症状患者的重症监护室ICU入院的能力，通过综合仪表盘显示患者的健康轨迹、预测结果和相关风险，提供了改进预测准确性和可解释且可操作的见解，成为危重患者医疗决策支持的有价值工具。

May, 2024

通过结合临床专业知识与基于评分、基于约束和混合结构学习算法，该研究研究了可能受政策决策影响的败血症潜在原因的潜在因果结构，并发现慢阻肺、酒精依赖和糖尿病等风险因素的存在会增加患者患败血症的可能性，从而对政策具有潜在影响。通过评估模型在预测败血症方面的能力，发现共识模型的预测准确度、敏感度和特异度均在70%左右，AUC为80%，说明该模型的因果结构在只使用可供委托目的的数据训练的情况下是相当准确的。

Jun, 2024

通过整合临床病历和ICD编码的时间和常数数据，Time-Constant KAN Integrated Network（TCKIN）模型可以提高对败血症死亡风险的准确预测，并在准确性、敏感性和特异性方面超越现有的机器学习和深度学习方法，为高风险患者的识别提供卓越的能力。

Jul, 2024

本研究针对医疗预后的现有问题，通过系统回顾各种机器学习技术的应用，指出了这些方法的有效性、挑战及未来方向。论文展示了随机森林、逻辑回归、卷积神经网络和长短期记忆网络等技术在疾病预测和风险评估中的关键优势，强调了模型解释性的重要性及数据质量的挑战，为提高患者预后提供了潜在影响。

Aug, 2024

本研究针对院内脓毒症死亡预测中的特点选择和模型可解释性不足的问题，提出了一种可解释且精准的机器学习模型。通过对MIMIC-III数据库的ICU患者记录进行详细分析，随机森林模型在精确度和AUC方面表现优异，证明了数据驱动的机器学习在医疗保健中提高院内死亡预测的潜力。

Aug, 2024