利用机器学习方法，比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明，这些分类器可以准确预测样品的生存率，分别为 75.4％，74.7％，71.5％，75.5％，70.3％和 78％

Apr, 2023

通过机器学习开发了一个应用于三种常见肥胖手术前预测个人 5 年体重减轻轨迹的国际验证模型。

Aug, 2023

利用机器学习的预处理算法和分类算法，研究了检测转移性癌症的潜力，通过降低数据维度和使用 k 最近邻算法，获得了最高 71.14% 的准确率。

Sep, 2023

该研究主要使用机器学习技术，从糖尿病患者的诊断医疗数据中提取知识，探索与疾病相关的各种风险因素，并使用四种流行的机器学习算法来预测糖尿病患者，结果表明 C4.5 决策树比其他机器学习技术具有更高的准确性。

Jan, 2019

利用机器学习算法在医疗保健领域可能会放大社会不公和卫生不平等问题；本研究关注于机器学习分类算法在开发和使用过程中遇到的一些普遍性障碍，通过以弗雷明汉冠心病数据为案例，说明了如何选择概率阈值将回归模型转换为分类器，并比较了八种常用机器学习分类算法在不同训练 / 测试场景下的预测性能，以测试它们的普适性和可能引发的偏见问题；得到的研究结果表明，XGBoost 和支持向量机在不平衡数据集上训练存在缺陷，而双重判别式为 I 型是最具普适性的，它在各种训练 / 测试场景下都始终优于其他分类算法；最后，提出了一种用于分类算法的最佳变量层次结构提取方法，并以全量数据、男性和女性的弗雷明汉心脏病数据进行了说明。

Feb, 2024

应用不同的生存分析方法比较其性能，结果表明深度学习（DeepSurv）在歧视度和校准性方面表现最佳，而 AutoScore-Survival 则通过最小变量集实现了较好的性能和解释性。

Mar, 2024

本文提出了一种基于机器学习算法优化的框架，以急诊部门的患者入院情况为例进行实证研究，利用大规模的患者数据和三种新的机器学习算法对传统算法进行对比，结果表明新算法在 AUC 等五个指标上表现更好，其中 T-ADAB 算法效果最佳，最优模型的 AUC、灵敏度、特异度、F1 和准确率分别达到 95.4%、99.3%、91.4%、95.2% 和 97.2%。

Feb, 2022

该研究使用了 Diabetes 130-US Hospitals 数据集，利用各种传统机器学习模型（如 XGBoost、LightGBM、CatBoost、决策树和随机森林）进行分析和预测了糖尿病患者的再入院情况，并通过自主开发的 LSTM 神经网络进行对比。研究结果显示，LightGBM 是最佳的传统模型，而 XGBoost 位居第二，LSTM 模型在训练准确性较高的情况下存在过拟合问题。研究还使用了 SHAP 值提高了模型的解释性，并指出了实验结果中影响再入院预测的重要因素，如实验室过程数量和出院安排。该研究表明，在预测性医疗模型中，模型选择、验证和解释性是关键步骤，有助于医疗服务提供者设计干预措施，提高糖尿病患者的随访遵从性和管理效果。

Jun, 2024

该研究通过使用机器学习，特别是结合表格数据，更准确地预测结核病（TB）的治疗结果，将这一预测任务转化为二元分类问题，并通过来自印度国家结核病控制计划的 50 万多个病人记录的数据生成风险评分。数据预处理是该研究的关键组成部分，在验证集上获得了 98% 的召回率和 0.95 的 AUC-ROC 得分。该研究还探索了自然语言处理（NLP）在模型学习中的应用，通过各种指标和消融研究证实了该方法的有效性。研究通过讨论我们的研究对结核病根除工作的潜在影响，并提出了未来的研究方向，展示了机器学习在医疗保健中的潜力。

Mar, 2024

心血管疾病与吸烟、血压升高和胆固醇水平的关联突出了这些危险因素的重要性。本研究使用六种不同的机器学习模型进行比较分析：Logistic 回归、支持向量机、决策树、包装法、XGBoost 和 LightGBM。结果表明，XGBoost 作为表现最佳的模型，显示了提高冠状动脉梗塞预测精确性的潜力。

Nov, 2023