本研究介绍了一种基于人工智能 (AI) 的 CDSS (临床决策支持系统) - Aifred Health， 针对重性抑郁症患者的治疗选择和管理，探讨了平衡临床工作流程和鼓励最终用户信赖的实现挑战，同时提出在构建，验证，培训和实施 AI-CDSS 过程中应该考虑的关键问题和建议。

Mar, 2023

本文提出了一种基于卷积神经网络的临床智能决策方法，可以自动从电子病历中提取高级语义信息，然后进行自动诊断，结果表明这种方法是可行和有效的。

Apr, 2018

本研究探讨了大型语言模型在生成患者病情诊断解释方面的可靠性和有效性，实验证明大型语言模型生成的解释显著提高了医生对给定诊断的一致性，同时揭示了大型语言模型输出的潜在错误，在医疗保健领域中的潜力和挑战得到了强调，强调了在整合和评估过程中需要谨慎以确保患者安全和优化的临床效用。

Oct, 2023

本研究提出了一种新型的临床决策支持系统，结合了一组规则和机器学习算法，提供了全局和局部的可解释性，并使用机器学习算法预测每个规则在特定患者的正确性可能性，以更好地提高预测性能，并提高个性化解释能力，这些元素的结合可以帮助医生更好地评估患者的情况，提高医生的决策能力。

Jul, 2021

通过观察和对中国 6 个农村诊所的 22 名医生的采访，本文报道了 AI-CDSS 系统（“Brilliant Doctor”）的设计与当地流程的不一致、技术限制和可用性障碍，以及与 AI-CDSS 的透明度和可靠性有关的问题。尽管存在这些紧张关系，所有参与者对 AI-CDSS 的未来都表示积极的态度，特别是通过 “医生的 AI 助手” 在临床环境中实现人工智能协作的未来。最后，我们利用研究结果讨论了在发展中国家的农村临床环境中设计 AI-CDSS 干预的影响。

Jan, 2021

该研究系统地回顾了 2010 年至 2020 年间使用自然语言处理、机器学习和深度学习等方法来帮助医生更准确、高效地对患者病历进行编码的研究，其中共筛选出 38 篇符合条件的文献，并提出了未来的研究方向。

Jul, 2021

利用机器学习辅助临床决策支持有潜力显著改善患者护理，本研究设计了一种定制的多模态数据驱动的概率分布，并提出了一种简单可扩展的高斯平均场变分推理来训练具有该先验的贝叶斯神经网络，根据实验结果表明，该方法相比确定性和贝叶斯神经网络的基准模型产生了更可靠的预测模型。

Nov, 2023

研究利用决策辅助工具（DSTs）的机器学习模型来帮助抗抑郁药物的选择，但常常由于系统集成不良而在临床实践中失败。本研究通过迭代的共同设计过程探讨了临床医生使用 DSTs 进行抗抑郁药物治疗决策的感知，指出 DSTs 需要与医疗保健社会技术系统进行有效整合。结果表明，DSTs 应设计为支持患者 - 提供者协作的多用户系统，并提供按需解释，以解决预测和当前护理标准之间的差异的方式。该研究还考虑了如何在临床环境中设计 DSTs，以及设想中的潜在问题和挑战。

Feb, 2021

为了应对医疗保健系统的成本和复杂度飞速增长、治疗方案不断增多以及信息传达不畅等问题，本文提出了一个通用的计算机 / 人工智能（AI）框架。 该框架结合了马尔可夫决策过程和动态决策网络，从临床数据中学习并制定综合的多方案规划，以优化患者治疗方案和促进患者康复，相较传统医疗保健方式大幅提高了患者康复率并降低了治疗成本。

Jan, 2013

通过在 MIMIC-III 数据集中提取患者特征，本研究使用 43 种不同的机器学习分类器预测 ICD-9-CM 代码，并发现疾病患病率下降对分类器 F1 评分有影响。

Jun, 2020