该研究论文提出了多模式方法，结合 30 秒的心电图记录和近似的长期心率变异性数据（HRV）来估计心衰住院风险。实验结果显示，在心衰风险评估方面，所提出的方法具有较高的模型性能，并在多个外部心电图数据集上展示了竞争性的区分力。通过在 Apple Watch 数据上的可迁移性测试，并在 myHeartScore 应用程序中实施该方法，能够提供成本效益高且易于获取的心衰风险评估，有助于心衰的预防和管理。

Mar, 2024

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

本文旨在将 Large Language Models 中的知识传递到临床心电图中，通过引入 Optimal Transport 生成质量高的心脏诊断报告，并且表现出与监督基线相媲美的零 - shot 分类性能，证明了从 LLMs 到心脏领域的知识转移的可行性。

Jan, 2023

本文提出了一种基于标签依赖的注意模型 LDAM 来提高疾病风险预测的可解释性，在利用 Clinical-BERT 编码生物医学有意义的特征和标签的同时，扩展联合嵌入的想法，开发了多模态学习框架，整合了来自医学记录和时间序列健康状态指标的异构信息，并在 MIMIC-III 测试集上进行了实验验证。

Jan, 2022

本研究提出了基于深度注意模型的高风险心血管疾病预测模型，对单纯的高血压患者病史序列进行预测，通过比较双向门控循环单元模型和一维卷积多层模型，实验结果表明该模型的分类精度优于传统模型，并且具有更好的性能表现。

Nov, 2017

提出了一种低参数模型 LRH-Net，其使用多级知识蒸馏过程训练成多种心电图（ECG）异常，并在压缩输入的 PhysioNet-2020 数据集上进行了评估。该模型的参数是用于检测 CVD 的教师模型的 106 倍以下，能够缩小 75％ 的推论时间。

Apr, 2022

提出一种多标记半监督学习模型 (ECGMatch) 来同时识别多种心血管疾病，包括心肌缺血、心室肥厚和心房颤动等，该方法通过神经网络模型结合众多技巧和模块，缓解了标签稀缺性、样本不均衡、未知数据上的性能问题，具有较高的鲁棒性和准确性。

Jun, 2023

利用多特征融合和双向长短期记忆（Bi-LSTM）的资源高效方法对心电图（ECG）进行心跳分类，通过采用时间间隔和曲线下面积作为特征，改善 RBBB 和 LBBB 类别的分类准确率。

May, 2024

通过收集来自台湾医院数据库的五年电子健康记录，该研究提出了一个新颖的大型语言多模型（LLMMs）框架，将临床笔记和实验室检测结果的多模态数据结合起来预测慢性疾病风险，观察到将 clinicalBERT 和 PubMed-BERT 与注意力融合相结合可以在多类慢性疾病和糖尿病预测中达到 73% 的准确率，将实验室检测值转化为文本描述后，利用 Flan T-5 模型可以达到 76% 的 ROC 曲线下面积（AUROC），从而显著提高了糖尿病早期预测的准确性。

Mar, 2024

本文提出了一种采用注意力机制的新型深度学习双流网络，使用原始心音信号和 MFCC 特征检测病人心脏状况的异常，并获得了 87.11 的准确率、82.41 的灵敏度、91.8 的特异度和 87.12 的 MACC。

Nov, 2022