在这篇论文中，我们提出了一种个性化的实时风险评分算法，基于病人的（时间性）实验室测试和生命体征提供及时和细致的临床状况评估，确保临床恶化的病人能够及时转入重症监护室，该风险评分系统通过从离线电子健康记录数据中学习一组潜在的患者亚型，并训练一组高斯过程( GP ) 专家，每个专家可以模拟与特定患者亚型相关的生理数据流，从而实现。

Oct, 2016

本文提出了一种新型生成式深度概率模型AttDMM，用于实时风险评分，联合学习了疾病动态和不同健康轨迹下的疾病状态，通过基准数据集(MIMIC-III)验证效果显著，将 ICU 患者生命预警提前数小时，为做出及时干预提供了路径。

Feb, 2021

该研究展示了机器学习系统在通过风险评分预测患者不良事件方面的巨大潜力，但未来介入干预政策会对风险评分产生影响，所以在此提出了一种联合模型来更加明确地传达有关未来干预的假设。通过将典型风险评分与未来干预概率评分相结合，可以提供更可解释的临床预测。

Jul, 2022

采用联邦学习（Federated Learning）来解决隐私法规问题，评估其对重症监护室死亡率的早期预测能力，结果表明联邦学习的表现与集中式方法相当，且显著优于本地方法。此外，使用F1分数作为提前停止指标，可以稳定和提高方法的性能。

Dec, 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

本研究利用回溯检验提取的两个队列，发展了一种新的伪动态机器学习框架，用于重症监护病房的死亡预测，实现了可解释性和临床风险分析，并成功地结合了时间序列生理测量技术，从而能够提供时间分辨率的解释结果。

May, 2023

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

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

通过对数据观测的轨迹进行聚类分析，基于个性化的风险预测，提出了一种评估病人健康状态的方法，并开发了一种临床决策支持工具，用于改进风险群体的临床特征化和病人恶化的早期检测。

Jul, 2024

本研究解决了ICU心力衰竭患者死亡率预测不准确的问题。通过分析MIMIC-III数据库中1,177名患者的数据，采用了先进的特征选择方法和机器学习模型比较，发现XGBoost模型在AUC-ROC测试中表现优异，达到了0.9228，为临床提供了识别高风险患者的有效工具，潜在提高护理结果。

Sep, 2024