该论文通过使用强化学习算法，基于患者重症监护室中的临床数据，开发出一种用于输注决策辅助的工具，结合状态表示方法和奖励设计机制进行了实验以提高策略的性能，并对真实医院数据的策略准确性进行了评估，结果表明，该方法能够有效地改善患者预后和减少医疗成本。

Jun, 2022

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

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

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

本文研究了使用多种来源的数据，以 eICU 协作研究数据库为例，证明了交叉验证可以提供合理的模型性能估计，表明跨不同医院训练的单一模型具有很强的泛化能力，强调了数据共享可以优化模型的性能。

Dec, 2018

利用电子健康记录数据，我们引入了 HgbNet 预测模型用于血红蛋白水平和贫血程度的预测，该模型通过模拟临床医生的决策过程，利用缺失值处理机制和注意力机制来处理 EHR 数据中的缺失和时间间隔不规则问题，结果表明 HgbNet 优于基线模型，在贫血诊断方面具有潜在的非侵入性和提高生活质量的潜力。

Jan, 2024

本文采用深度学习技术，以多模态数据为特征预测 ICU 死亡率，在 MIMIC-IV 数据集上进行验证，结果显示平均 C 指数为 0.7829，明显优于基线 SAPS-II 特征 (0.7470) 并证明了已预定义标签 (2.00%)、文本特征 (2.44%) 和影像特征 (2.82%) 的贡献。

Jun, 2023

本文提出了使用多任务深度学习模型预测肝移植后的多个风险因素，同时提出一种新的公平算法以确保对不同亚群体的预测结果公平性。在 160,360 名肝移植患者的电子健康记录上进行了实验证明该预测模型具有高准确性和良好的平衡性。

Apr, 2023

该研究调查了树模型在长期死亡预测上的表现，并研究了两种近期引入的生物标志物对长期死亡的影响。研究采用来自中国台湾卫生福利部的 CCHIA 公开数据，以及从 139 例急性心肌梗死患者收集的医学和人口统计学数据，使用先进的集成树模型算法预测了 14 年内的全因死亡率，并发现添加生物标志物后算法的性能有所提高，可更好地为高风险个体确定治疗优先级。

Mar, 2024

针对 COVID-19 严重患者，本研究利用九种机器学习算法和两种特征选择方法进行预测模型建立，发现重症肾脏损伤是最重要的特征。在预测死亡、ICU 需求和通气天数方面，LSTM 算法表现最佳，准确率达到 90%，敏感性为 92%，特异性为 86%，AUC 为 95%。针对通气天数的预测，DNN 算法准确率达到 88%。综合各因素和局限性，选取合适的特征和数据平衡的机器学习算法可准确预测死亡、ICU 需求和通气支持，在紧急和疫情爆发情况下非常有用。

Mar, 2024