本文使用机器学习系统支持决策制定在医疗保健中的问答涉及使用电子医疗记录中的观察性数据中隐含的偏见，进而进一步发展了组公平性标准，以在个体层面上扩展增益计数事实公正标准，探讨扩增的标准是否可以应用于使用观测性电子健康记录数据的病人长住和死亡的公平模型的开发。通过一个假设因果图的变分自动编码器来执行反事实推理，提供了一种在学习生成模型的背景下，在公平维护与预测性能下降之间权衡的方法。

Jul, 2019

本文提出了一种名为公平患者模型（FPM）的新方法，在深度表示学习模型中使用一种称为加权损失函数的方法，降低偏见并提高公平性，从电子健康记录（EHRs）中预先训练公平和无偏的患者表示，在各种医疗保健下游任务中有广泛应用，同时还可扩展到其他因偏见和公平性重要性高的领域。

Jun, 2023

现代电子健康记录（EHRs）通过顺序深度学习在个性化患者健康轨迹的跟踪方面拥有巨大的潜力，然而如何有效利用 EHRs 中的多个模态面临重大挑战，因为其复杂特性（如高维度、多模式、稀疏性、不同的记录频率和时间的不规则性）。为了应对医学时间序列中的稀疏性和时间间隔的不规则性，本文引入了一种新的多模态对比学习框架，重点关注医学时间序列和临床笔记。为了利用医学时间序列和临床笔记之间的相互关系，该框架配备了全局对比损失，将患者的多模态特征表示与相应的出院小结进行对齐。通过全局对比来学习区分性的多模态特征。在真实世界的 EHR 数据集上进行了大量实验，证明我们的框架在使用 UF 健康系统的多模态数据（来自 UF Health Gainesville、UF Health Jacksonville 和 UF Health Jacksonville-North 三家医院的 12 万多次大型住院手术）预测九种术后并发症发生的示例任务上优于现有方法。

Apr, 2024

首次提出对于高度失衡的 EHR 数据和相关 COVID-19 数据分析，对比损失（CL）能够提高交叉熵损失（CEL）的性能，尤其是在机器学习（ML）模型需要大规模、平衡的训练数据以在医疗场景中具有鲁棒性、可泛化性和有效性的情况下，该方法可扩展并用于 EHR ML 工作。

Jan, 2021

为保障公平，研发 AI 工具在高风险应用（如医疗保健领域）中十分重要。本文提出了一种基于联邦学习的、适用于医疗领域的综合方法，通过对抗性去偏倚和公平聚合等技术明确减弱模型的偏见，且在多种实验中证明了该方法的有效性。

May, 2023

通过使用领域特定的公平度量，我们评估了反复学习策略在医学图像分类任务中的偏差演化，发现伪标签策略具有更小的偏差，因此在考虑模型公平性的现实场景中应优先选择该策略。

Apr, 2024

该研究探讨了使用机器学习指导临床决策可能加剧现有的健康差距问题的潜力，并分析了算法公平的适用性、技术限制以及与机器学习在医疗保健中使用相关的社会技术背景。研究结果表明，在对各组之间的预测分布差异进行惩罚的情况下，几乎所有团体内的多项绩效指标都会降低，并且算法公平性方法在消除健康差距方面仍存在许多有待解决的问题。

Jul, 2020

为了解决电子健康记录（EHR）建模中的公平问题，本文提出了一种新型模型 —— 公平长期医学去卷积（FLMD），旨在在纵向 EHR 建模中实现公平和准确性。通过引入未观测的混淆变量，FLMD 能够兼顾预测准确性和缩小健康差距，同时通过对真实数据集的全面实验验证了其有效性。

Aug, 2023

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

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