我们提出了一个新的深度学习模型 IGNITE，利用条件双变分自编码器和双阶段注意力，在多元数据上学习了时间上的患者动态变化，生成个性化的真实值，根据个体的人口特征和治疗条件调节。我们进一步扩展了 IGNITE 的应用范围，从填补缺失值发展为个性化数据合成器，用于生成未曾观察到的缺失电子健康记录或者甚至生成新的患者，应用于各种应用中。我们在三个大型公开数据集上验证了我们的模型，并展示了 IGNITE 在缺失数据重建和任务预测方面优于现有方法。

Jan, 2024

通过自我监督的预训练方法，SMART（自我监督的缺失感知表示学习方法）通过详细的注意力机制对缺失信息进行编码，并通过学习潜在空间中的缺失数据表示来填补缺失值，从而提高了患者健康状况预测的泛化性和鲁棒性。在六个电子健康记录任务上进行的广泛实验验证了 SMART 的有效性，表明其优于现有方法。

May, 2024

本文提出了一种将电子健康记录中的医疗概念和患者转化为临床有意义的构建特征的基于数据驱动的方法，从而通过时间关系来学习医学概念的表示和病人向量，达到对诊断和治疗的性能优化。

Feb, 2016

应用 Transformer 网络和 BERT 语言模型，将包含多种数据模式的电子病历编入一个统一矢量表示，从而实现了病人就诊数据的高效表示，这种方法在 MIMIC-III ICU 数据集上得到了出色的性能和可泛化性。

Aug, 2019

通过间接插补和特征可信度学习，我们的研究提出了一种改进的电子健康记录 (Electronic Health Record) 预测模型，能够更准确地预测住院病人的死亡情况，此模型在 MIMIC-III 和 MIMIC-IV 数据集上实验证明优于现有的模型。

Sep, 2023

研究聚焦于统计方法和机器学习进行缺失数据理解、解释和数据填充，基于儿科急诊数据和英国最大的创伤伤害数据库的数据，研究发现缺失数据非随机，与医疗专业实践模式相关性高，得出使用 1 近邻（1NN）填充方法最佳，表明了临床决策常见的模式。

Feb, 2024

本研究提出了一种新的核方法，名为 TCK$_{IM}$，通过集成学习策略和新型混合贝叶斯混合模型，能够有效利用电子健康记录中的多变量时间序列的缺失数据，避免了插值方法的使用，具有无标签学习的鲁棒性。通过在三个真实世界的临床数据集上进行实验，证明了所提出核方法的有效性。

Feb, 2020

利用深度学习的预测模型，基于电子病历（EHR），在医疗保健领域备受关注。我们提出了一种新颖的时间异构图模型，将病人的 EHR 建模成历史访问节点和医疗事件节点，并利用时间感知访问节点来捕捉患者健康状况的变化，同时通过将时间边特征、全局位置编码和局部结构编码整合到异构图卷积中，捕捉了时间和结构信息。通过对三个真实数据集进行广泛实验，我们证实了 TRANS 的有效性，结果表明我们提出的方法达到了最先进的性能。

May, 2024

本论文通过手工建模和学习内插嵌入，采用分离机制建模不规则的时间序列；采用时间注意力机制，将临床记录的一系列表示为多元不规则时间序列，并采用交织注意机制跨时间步骤进行多模态融合，以整合多模态表示。结果表明，我们提出的方法在单一模态和多模态情景下都优于现有方法，说明了我们方法的有效性和模拟不规则性的价值。

Oct, 2022

本文采用简单的策略解决临床时间序列中缺失数据的问题，通过将缺失数据视为特征，并利用简单的二进制指示器处理，实现了儿科重症监护病房（PICU）临床时间序列的多标签诊断分类预测。同时，我们也展示了基于缺失数据模式的训练模型不仅能刻画缺失数据信号，同时显示该信号的预测性可以超过部分疾病的测试结果本身。

Jun, 2016