介绍了一种基于社群的联邦机器学习算法，将分布式数据聚类成具有相似诊断和地理位置的有临床意义的社群，使每个社群可以学习一个模型。该算法在现场非IID ICU EMR上表现优于传统方法，同时可以保护隐私。

Mar, 2019

本文旨在通过分析出生证明上所提取的特征，研究婴儿死亡率的预测问题。我们关注于训练分类模型来决定婴儿的存活与否，并比较不同种族之间的差异。我们的评估表明，该方法胜过流行病学研究中所采用的标准分类方法。

Jul, 2019

研究了社交媒体语言对美国孕妇死亡率的影响并发现其中关键因素包括孕吐、名人怀孕、堕胎权等话题，同时发现社区语言中的信任、压力和情感等因素与孕妇死亡率密切相关，并提出这些研究成果可以用于社区层面的干预。

Apr, 2020

本研究使用深度学习模型从ARMMAN基于电话的信息项目中预测短期和长期的产妇退出率，以解决印度母亲死亡率过高的问题。模型表现比竞争基线模型分别提高了13％和7％。此方法在现实应用中有潜力进行有针对性的干预措施。

Jun, 2020

本文运用多种机器学习算法对COVID-19患者数据库进行分析，以了解和解释患者的社会经济特征与其死亡率的关联性，并分析机器学习模型对COVID患者社会经济数据的全局和局部解释。

Feb, 2023

本文研究了机器学习在全球医疗保健方面的公平性，以非洲为案例研究，提出了要考虑到非洲文化背景下的公平属性，并说明这些属性在不同的机器学习医疗模式中的作用，进一步促进研究全球医疗保健中的公平性。

Apr, 2023

本文提出了一个高风险妊娠程序, 通过算法识别高风险成员, 并完成了孕期识别与并发症预测模型, 演示了预测与临床信息相结合的工具在提升护士决策过程中的实用性的可能。

May, 2023

使用机器学习模型对胎儿健康进行分类分析，评估了不同模型的分类性能，并实施了降维技术以提高分类性能，其中 TabNet 模型在一个胎儿健康数据集上实现了 94.36% 的分类准确率。

Nov, 2023

通过评估170个国家的饮食习惯，本研究使用机器学习技术将这些国家按照脂肪、能量和蛋白质在23种不同类型食物中的分布以及摄入量进行分组，以找出这些习惯与COVID-19的死亡率之间的相关性，结果显示肥胖和高脂肪摄入与死亡率较高的国家有关，而死亡率较低的国家则伴有更高水平的谷物消费和较低的总体平均热量摄入。

Feb, 2024

使用人工智能开发了一种名为I-SIRch的新方法，用于自动识别和标记在描述英国的医疗安全调查分部（HSIB）所产生的不良孕产事件的孕产医疗调查报告中的人为因素概念。该方法揭示了不同民族群体的母亲受到某些人为因素的不成比例影响，为了理解社会、技术和组织因素对母亲安全和人群健康结果的影响，采用更全面的视角来发展有针对性的干预措施以解决差异并改善母亲结果的新可能性。

Jun, 2024