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

手术后并发症风险的准确预测使用电子健康记录和人工智能显示出巨大潜力，而联邦学习模型可在数据保护壁垒较高的多个机构的大规模数据上训练出健壮且具有广泛适用性的模型。

Apr, 2024

本研究使用机器学习算法基于患者数据预测患者短期和长期预后，以及病人的出院去向等重要临床结果，帮助医疗团队提升决策质量并实现有效的医院管理。实施该工具后平均每位患者住院时间减少了 0.67 天，每年可为医疗系统创造高达 5500 万至 7200 万美元的经济效益。

May, 2023

本研究采用七种不同的算法通过临床和人口统计学数据开发和测试机器学习模型，精确预测癫痫手术的预后，研究表明，基于机器学习的手术前的患者临床特征预测模型，能够精确地预测难治性病人的癫痫手术结果。通过挑选特征子集数据挖掘的监督分类机器学习策略可达到更好的预测效果，同时机器学习预测模型的发展为个性化医疗提供了必要的基础。

Feb, 2023

通过将因果推断和统计过程控制方法结合起来，我们以术后恶心呕吐的风险预测算法为案例研究，定义候选监测标准、描述潜在偏差和因果模型，并具体说明和比较候选监测程序，以此作为发展比较各种监测选项的框架的第一步。

Nov, 2023

本文评估了基于 transformer 的深度学习模型在术中麻醉管理数据方面预测术后急性肾功能衰竭、术后肺部并发症和术后住院死亡的表现，并比较其与传统机器学习模型如梯度提升树和序列注意模型等的表现。结果表明，transformer 式模型在预测术后并发症方面具有卓越的表现，突显了深度学习技术特别是 transformer 式模型在改变卫生保健行业术后护理方法方面的潜力。

Jun, 2023

探讨了通用领域大型语言模型（如 GPT-4 Turbo）能否通过手术过程描述和患者临床记录从电子健康记录中进行风险分层和预测术后结果指标。 对 8 个不同任务的预测性能进行了研究：ASA 身体状态分类的预测、住院、重症监护室入院、非计划入院、住院死亡、PACU 第一阶段持续时间、住院持续时间和重症监护室持续时间。 少量样本和思维链调控提高了几个任务的预测性能。 ASA 身体状态分类的 F1 分数为 0.50，重症监护室入院为 0.81，住院死亡为 0.86。 在所有提示策略中，持续时间预测任务的性能普遍较差。 当前一代大型语言模型能够协助临床医生进行围手术期风险分层的分类任务，并产生高质量的自然语言摘要和解释。

Jan, 2024

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

研究了两种用于早期检测医院获得性感染的模型：感染风险指数 (IRI) 和呼吸机相关性肺炎 (VAP) 预测模型，在比较分析这两种模型的基础上，得出了并行疾病特定模型的部署方法。

Nov, 2023

本文使用 self-supervised 学习方法（即 MoCo 方法）实现了以胸部 X 光为基础的 COVID-19 患者恶化预测模型，包括不良事件恶化和氧需求增加两种类型，并提出了可处理多图像序列的新型 Transformer-based 架构，在 96 小时内，模型准确预测了患者的恶化和死亡情况。

Jan, 2021