应用先进的机器学习模型（N-BEATS 和 LightGBM）对急诊科床位 24 小时之后的占用情况进行预测，结果显示 N-BEATS 和 LightGBM 优于统计基准模型，而 DeepAR 模型能以 0.76（95% CI 0.69-0.84）的 AUC 值预测下一天的拥堵情况。据我们所知，这是首次在急诊科预测上证明了 LightGBM 和 N-BEATS 优于统计基准模型。

Aug, 2023

本研究提出了一种基于注意力机制的深度学习模型，可使用紧急科室病人的连续和规范数据以及医疗文本数据来预测病人所需的资源，从而提高排队模式的准确性和可靠性

Mar, 2018

通过整合大型语言模型和医学图像分析，本研究介绍了一种协同辅助系统，赋予放射科医生更多权力，以提高放射诊断报告的准确性和详细性，同时减少临床医生的过劳。

Apr, 2024

本研究旨在利用最先进的语言模型对 MIMIC-IV 数据集中的 “病历简况” 和 “出院指示” 部分进行自动生成，以减轻临床医生的行政工作负担。我们研究了自动化如何提高文档准确性、缓解临床医生过劳并提升医疗机构的运营效率。在本次 BioNLP @ ACL 2024 的共享任务 Discharge Me! 中，我们采用了各种策略，包括少样本学习、指令调优和动态专家选择 (DES)，以开发能够生成所需文本部分的模型。值得注意的是，利用额外的临床领域特定数据集展示了提升临床语言处理的巨大潜力。DES 方法通过优化从多个预测中选择文本输出的方式，证明其特别有效。在比赛中，DES 方法获得了最高的综合得分为 0.332，超过了单一模型的输出。这一发现表明，先进的深度学习方法与 DES 结合，可以有效地自动化电子病历的部分文档化。这些进展有望通过释放临床医生的时间用于病人互动，提升患者护理水平。文本选择策略的整合代表了进一步研究的有希望途径。

May, 2024

本文研究了使用机器学习方法在新西兰奥克兰的两家大型急诊诊所准确预测未来三个月每天的患者需求，并通过分析模型行为，探讨预测最有效特征，适应 Covid-19 引起需求波动的特征。结果表明，集成方法比现有的内部方法提供了更准确和一致的解决方案，能够提高 23％-27％的每日需求估算。

May, 2022

提出了一种语言增强的基于转换器的框架，用于在连续、分类、二进制和自由文本功能之间进行信息集成，以更准确地估计医学干预的持续时间，并在 US 和 Asian 的数据集上证明了其有效性。

Mar, 2023

在高精准性和高时效性的情境中，为了医生在急诊室等场合提供既提高准确性又缩短用时的 AI 辅助，本文提出通过根据问题和用户的不同属性，适应性的选择 AI 辅助类型来平衡目标的研究，并在用医生为外星人开具药品做实验得出需要适应性的 AI 辅助类型，适应性可以在准确性和用时间做良好的权衡，最后进一步研究可以考虑使用机器学习算法（如强化学习）来自动更快地适应。

Jun, 2023

本文探讨了多模式语言建模在医疗保健领域的应用，特别是基于急诊科主诉和生命体征文本信息的病人问题和需求预测，通过对 MIMIC-IV ED 数据集的诊断代码预测实验分析，我们发现多模式提高了预测性能，并且对一些疾病类别来说，生命体征具有更强的预测能力，并透过交叉注意层的分析，展示了多模式如何提升模型预测。

Apr, 2023

通过自动化例行任务和简化电子病历系统的文档流程，我们的研究结果突显了自主代理对于减轻临床医生当前电子病历系统带来的认知负荷所具有的重要潜力。

Apr, 2024

诊断和治疗患者是一个复杂的、顺序的决策过程，医生需要获取信息并进行相应操作。本研究介绍了 AgentClinic，一个用于评估大型语言模型在模拟临床环境中扮演医生角色能力的多模态基准测试。

May, 2024