本文研究了对于电子健康记录中的时间序列医疗数据进行聚类的方法，发展了基于深度学习的方法，利用新的损失函数，以相似的未来结果进行聚类，超过现有的基准测试，提出了可制定具体行动的信息用于临床决策。

Jun, 2020

提供了一种名为 SLAC-Time 的自监督学习基于Transformer聚类多元时间序列数据的方法，该方法通过利用时间序列预测作为代理任务来学习更健壮的时间序列表示，并使用K-means进行聚类，实验表明，该方法在聚类TBI患者中表现优异，可以用于开发有针对性的临床试验和治疗策略。

Feb, 2023

通过研究对医院入院的最初几个小时进行聚类分析，提取生命体征数据，确定患者表型与病理生理特征及结果，以支持早期临床决策，对分析重现性和与生物标志物的相关性使用了一个规模较大的数据集。

Jul, 2023

本文介绍了一种转移学习技术，Transfer Euclidean Alignment，用于解决在临床应用中部署机器学习模型时由于主体间的高度变异性而面临的挑战。通过在各种基于规则的经典机器学习模型以及基于EEGNet的深度学习模型上进行评估，包括人类和小鼠数据在内的不同数据集的二分类任务中，证明了该转移学习技术的稳健性，在种内数据集上平均提高了14.42％，在种间数据集上提高了5.53％，强调了在使用多样化数据集进行训练时使用转移学习来改善机器学习和深度学习模型的性能的重要性。

Oct, 2023

创伤性脑损伤（TBI）是一个全球公共卫生挑战，对医疗系统造成巨大负担，诊断和预测TBI依赖于临床和影像数据以及机器学习和深度学习技术的应用。这篇综述聚焦于应用机器学习和深度学习技术解决轻度TBI的诊断问题，探索了不同技术在不同严重程度的TBI中的应用，并强调了机器学习和深度学习在轻度TBI诊断方面的潜力。

Jan, 2024

在重症监护室（ICU）中，多元时间序列的丰富性为机器学习提供了改进患者表型刻画的机会。与以往主要关注电子健康记录（EHR）的研究不同，本文提出了一种使用常规收集的生理时间序列数据进行表型刻画的机器学习方法。我们的新算法将长短期记忆（LSTM）网络与协同过滤的概念相结合，识别出患者之间共同的生理状态。在实际世界的ICU临床数据中测试，我们的方法在脑损伤患者颅内高压（IH）检测方面取得了0.889的曲线下面积（AUC）和0.725的平均精度（AP）。此外，我们的算法在学习生理信号的结构化潜在表示方面优于自编码器。这些发现突显了我们方法在利用常规多元时间序列改善临床护理实践的患者表型刻画方面的巨大潜力。

Feb, 2024

通过深度表示学习的方法，该研究揭示了散发性与急性呼吸衰竭的临床轨迹的不同群体，并对不同的死亡率和严重程度进行了特征化，这将为有效的预后和个体化的治疗策略提供重要的临床见解。

May, 2024

通过将个性化POD风险预测的监督学习与无监督聚类技术相结合，我们提出了一种方法，用于发现潜在的POD表型，从而增进我们对POD病因的理解并促进针对性的预防和治疗策略的开发。

May, 2024

利用密集睡眠期患者的数据，本研究引入一种新型的多层次表型模型，分析这些疾病随时间的进展和相互作用，并通过树状模型进行特征重要性分析，发展混合效应模型，应用t分布随机邻居嵌入和高斯混合模型对患者数据进行分群，阐明了心血管疾病和阻塞性睡眠呼吸暂停的动态关系，为预测疾病发生和个体化治疗提供有价值的工具。

Jun, 2024

本研究针对创伤性脑损伤（TBI）患者中呼吸机相关肺炎（VAP）的预测不足问题，提出了一种采用六种机器学习模型的新方法，包括XGBoost模型。研究结果表明，该模型的AUC达到0.940和准确率0.875，显著提升了预测的准确性，有助于早期检测和干预，提高患者的临床结果。

Aug, 2024