医疗记录的时间序列中，通过使用马尔可夫生成模型来建模不规则的时间间隔，将临床治疗的子类型和疾病进展模式从数据中恢复和准确建模。

Nov, 2023

通过对 MIMIC-III 数据库中的患者临床事件序列进行分析和测试，我们提出并研究了多种新的事件序列预测模型和方法，旨在更好地调整个体患者和其特定状况的预测。

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

通过利用患者电子健康记录中有用的信息和新颖可解释的深度学习框架，该研究致力于预测意外住院并提高预测结果的解释性，从而减少医院成本和改善患者健康。

Oct, 2023

在健康护理领域，强化学习通常涉及狭窄的自包含任务，如败血症预测或麻醉控制。然而，先前的研究已经证明了通用模型（最典型的例子是大型语言模型）由于其隐式迁移学习能力而能够胜过特定任务的方法。为了训练健康护理领域的基础模型并利用最先进的 Transformer 架构的能力，我们提出了 “健康护理作为序列建模” 的范式，其中患者与医疗服务提供者之间的交互被表示为一个事件流，而诊断和治疗选择等任务则被建模为预测流中未来事件的任务。为了实验探索这个范式，我们开发了一种名为 MIMIC-SEQ 的序列建模基准，通过将来自 MIMIC-IV 数据集的异构临床记录转化为统一的事件流格式进行训练，并研究其能力。

Feb, 2024

此研究提出了一种基于 Transformer 模型的 Medic-BERT（M-BERT），通过将病人信息建模为事件序列来预测其住院天数，并在丹麦大型医院的 45000 多名急诊病人上进行了实验，结果表明 M-BERT 在各种住院时间问题上表现出色，优于传统非序列机器学习方法。

Mar, 2023

本研究提出了一种基于电子病历的端到端模型，采用代数视图将离散的医学对象嵌入连续向量空间，并将每次就医记录的疾病和共病以及治疗方法均袋化为一个函数集，通过建立疾病和治疗方法在每次就诊时的交互关系，预测患者可能的再次住院风险，初步结果表明该模型在糖尿病和精神健康领域具有很好的预测效果。

Nov, 2017

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

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

实验结果突出了 LSTM 模型对建立真实世界预测引擎的高效性，通过利用严格的多变量时间序列测量将时间框架缩小到 6 小时，这个自动数据驱动系统可以分析从电子健康记录中得出的大量多变量时间数据，提取高级信息以早期预测住院死亡率和住院时间。

Aug, 2023