本文提出了一种基于神经网络和高斯过程回归模型的个性化估计疼痛程度的方法 DeepFaceLIFT，并在 UNBC-McMaster 肩疼痛表情库上展示了较高的性能，同时提供了置信度估计及易于解释的面部表情区域。

Aug, 2017

通过大规模语言模型进行句子级别分类以准确诊断疼痛的亚型，同时利用基于方面的方法生成专家干预的患者采访摘要。

Sep, 2022

提出了一种基于 MAFL 的 CNN 模型用于公平预测病人的疼痛状况，该模型利用医疗健康数据和人工智能技术，旨在解决AI模型对于特定人群的偏见和歧视问题，并与现有的缓解措施进行比较，表现出良好的性能。

Jul, 2023

使用连续的会话中真实疼痛评分显著增强了疼痛强度的机器学习性能，克服了真实评分稀疏性、数据不平衡和高方差等问题，该研究为未来基于客观的机器学习疼痛系统培训提供了重要参考。

Aug, 2023

镰状细胞病（SCD）是一种慢性遗传性疾病，其特征为反复急性疼痛发作。阿片类药物常用于处理这些疼痛发作；然而，关于在这种疾病中使用阿片类药物治疗疼痛的程度存在争议。药物成瘾风险和副作用经常导致未来疼痛发作增多。因此，为帮助患者管理SCD以提高生活质量而不损害治疗，需要预测未来病人的疼痛轨迹。本文提出使用自我监督学习方法解决疼痛预测问题，同时进行时间序列数据的聚类，以实现病人表型化，预测病人预后，并为临床决策制定相适应的治疗指南。实验结果显示，与最先进的基准模型相比，我们的模型在为期五年的实际数据集上表现出卓越的性能，并识别出有意义的簇，可转化为可应用的临床决策信息。

Oct, 2023

本研究提出了基于神经网络的方法来进行客观疼痛区间估计，并将不确定性量化纳入考虑。通过三种算法：bootstrap方法、遗传算法优化的上下界估计（LossL）和梯度下降算法优化的改进上下界估计（LossS），实证结果表明LossS方法在提供更窄的预测区间方面优于其他两种方法。我们评估了LossS方法在三种不同的疼痛评估场景中的性能，包括广义方法（整个人群使用单一模型）、个人化方法（每个个体使用单独模型）和混合方法（每个个体群集使用单独模型），结果显示混合方法具有卓越的性能，在临床环境中具有显著的实用性。该方法有潜力成为临床医生的有价值工具，能够在进行客观疼痛强度评估时考虑不确定性，从而促进有效的疼痛管理，降低治疗不当所带来的风险。

Nov, 2023

本研究旨在开发一种新方法，能够模拟较小样本与特定响应之间的关系，并考虑较大样本。通过非参数模型和柔性平滑技术，我们提出了一个经过两次惩罚的P-Spline逼近方法，通过对较大和较小样本中已存在的协变量的边际值的差异进行惩罚，得到了比线性B-Spline和一次惩罚P-Spline逼近更好的模型拟合效果。在将其应用于非酒精性脂肪肝风险相关的真实数据集时，我们发现我们的方法可以显著改善模型拟合性能超过65%。未来的工作包括对方法进行维度约减和考虑参数建模方法的改进，但据我们所知，这是第一个在柔性回归中提出额外边际惩罚的研究，能够考虑到不对称数据集而无需缺失数据插补。

Nov, 2023

研究通过机器学习算法调查个性化疼痛护理建议中的性别公平性。利用上下文强化学习框架，使用LinUCB算法对包括164个患者在每个10个会话中的交互的数据集进行个性化的建议制定和评估。结果表明，虽然调整算法参数会影响疼痛护理建议的质量，但这种影响在性别之间保持一致。然而，当某些患者信息（例如自报疼痛指标）缺失时，女性的疼痛护理建议质量明显低于男性。

Feb, 2024

通过混合隐马尔可夫模型对长期疾病患者轨迹进行亚群分组，从而实现个性化医疗，该模型在研究中表现出较常见基准的优势

Apr, 2024

在部分观察到的混杂因素依赖缺失数据的情况下，通过结构化和自然语言处理( NLP)衍生的辅助协变量 (AC) 来开发和比较高维度的多重插补 (MI) 方法，将辅助协变量引入 MI 模型中，可能降低偏差。

May, 2024