本文介绍了用于诊断和分类贫血的不同基于神经网络的分类器算法，并将这些分类器与已建立的模型（如前馈神经网络（FFNN）、Elman 网络和非线性自回归外生模型（NARX））进行了比较。通过使用来自 230 名患者的临床实验室检测结果的数据进行实验评估。所提出的神经网络具有九个输入（年龄、性别、RBC、HGB、HCT、MCV、MCH、MCHC、WBCs）和一个输出。对于不同的患者进行仿真结果表明，建议的人工神经网络能够快速准确地检测出疾病的存在。因此，该网络可以无缝地集成到临床实验室中，自动生成贫血患者的报告。此外，该建议方法价格实惠，可以在低成本的硬件上部署。

Apr, 2024

使用电子健康记录进行循证医学和准确预测，通过 Fast Healthcare Interoperability Resources (FHIR) 格式表示病人的原始病历记录，并使用深度学习方法进行多中心的多个医疗事件预测，包括住院死亡率、未经计划的 30 天再入院率、医院停留时间延长、所有患者的最终出院诊断等。

Jan, 2018

通过使用电子健康记录（EHR）数据，基于对比学习模型的插补 - 预测网络预测住院死亡风险，提供患者健康状况的早期警告给医护人员，并解决 EHR 数据不规则性和缺失值的问题。实验表明，该方法在插补和预测任务中胜过当前的最先进方法。

Aug, 2023

该研究使用机器学习模型为多样性危重病人预测输血需求，在有效预测输血需求的同时，还能识别关键生物标志物帮助输血决策。

Jan, 2024

使用仅基于病人血氧水平数据（可通过廉价指尖传感器测量）训练的深度学习模型，能够比有机会浏览现代手术室所有数据的经过训练的麻醉医生更准确地预测低血氧症的发生风险。我们也能够通过赋予病人过去血氧值的权重，提供一种简单的方式来可视化病人风险高低的原因。此工作具有在低资源环境中提供尖端临床决策支持的潜力，这些地区的手术并发症和死亡率显著高于高资源地区。

Dec, 2017

研究使用多种机器学习和深度学习方法，通过对患者的电子病历进行分类，对患者的病情进行评估，并发现在监督和非监督算法中，超参数调整的随机森林表现最好，而分层聚类和高斯混合模型的表现也颇为出色。

Sep, 2022

提出了一个名为人血白蛋白预测的动态图回归问题的框架，用于在重症监护病房患者住院期间提供准确的血白蛋白预测。通过捕捉不变的和变化的模式，鼓励模型依赖不变模式进行预测，实验表明该方法在人血白蛋白预测中优于其他基线方法。

Nov, 2023

利用 backward feature elimination 算法及 LogNNet 模型，筛选出对 COVID-19 诊断与预后最有效的常规血常规指标，进而减轻医疗压力、促进健康监测系统发展。

May, 2022

研究了将大型语言模型与其他专门的机器学习模型结合使用的移动设备的潜力，以实时评估镰状细胞病患者贫血严重程度，并提供实时信息以降低 其血管阻塞性危机的发生频率。

May, 2023

本研究提出了一种基于多任务循环神经网络和注意机制的方法，用于预测心血管事件。与标准的临床风险评估模型相比，该模型在预测中风和心肌梗死方面具有更好的性能，并且在短期内的预测效果可以通过使用多任务学习得到提升。同时，该研究还探讨了个体特征和注意力权重对于预测心血管事件的重要性，并证明了机器学习技术可以被应用于二级保健。

Jul, 2020