提出了一种基于层级潜在变量模型的个性化医学方法，该方法能够预测个体疾病过程，提高诊疗效果。将疾病程度描述为连续值，连续时间函数，分享不同粒度观测间的统计力量，使用离线参数学习算法和在线参数学习程序，对硬皮病引起的间质性肺病的疾病过程进行预测，并与现有方法进行比较，获得了显著改进。

Jan, 2016

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

提出了一个基于多方面图的路径模型，一种考虑流逝时间的新的路径相似度度量，以及一种基于传统中心性度量的路径挖掘方法，通过评估妊娠和糖尿病的病例，展示了该框架在发现类似路径、易于解释的表示以及根据多方面视角突出显示最重要模式方面的实用性。

Sep, 2023

本文研究了对于电子健康记录中的时间序列医疗数据进行聚类的方法，发展了基于深度学习的方法，利用新的损失函数，以相似的未来结果进行聚类，超过现有的基准测试，提出了可制定具体行动的信息用于临床决策。

Jun, 2020

本研究使用深度状态空间分析框架，通过对电子健康记录进行时间序列无监督学习，实现了对疾病发展相关的患者潜在状态的学习、可视化和聚类。通过评估癌症患者的时间序列实验室数据，我们成功发现了与预后相关的潜在状态，并通过可视化和聚类分析确定了与每种抗癌药物特征性状态转换期间患者状态和检测项目的时间转变。本框架在捕捉可解释潜在空间方面超越了现有方法，有望增加我们对电子健康记录中疾病进展的理解，有助于治疗调整和预后决策。

Jul, 2023

提出了一种层次时间序列模型，该模型可发现多种疾病进展动态，可用于帕金森病患者的临床评估和处方药物，并在合成数据集和帕金森病的现实临床数据中得到了证明。

Jul, 2022

本文提出 DDGroup 方法，一种基于数据的方法，能够有效识别在特征和标签之间具有统一线性关系的数据子群组。DDGroup 可以发现参数法无法发现的具有 qualitatively different relationships 的数据子群组。

Apr, 2023

该研究旨在通过使用双分图表示患者和医生之间的关系，将患者和医生之间的相似性作为时间敏感预测模型的潜在表示方法，并对慢性淋巴细胞白血病患者进行治疗首次疗程的预测实验，结果表明与多个基线相比，和关系相似度能够提高预测准确率达到 5%。

Jul, 2019

我们提出了一个深度生成时间序列的方法，利用潜在的时间过程来对复杂疾病轨迹进行建模和全面分析。通过结合生成方法与医学知识，我们展示了学习到的时间潜在过程可用于进一步数据分析和临床假设测试，包括发现相似患者和对疾病进行新的子类型聚类。此外，我们的方法能够进行个性化在线监测和多变量时间序列的预测，包括不确定性量化。我们在建模系统性硬化病过程中展示了我们方法的有效性，展示了我们机器学习模型捕捉复杂疾病轨迹和获取新医学知识的潜力。

Nov, 2023

通过研究对医院入院的最初几个小时进行聚类分析，提取生命体征数据，确定患者表型与病理生理特征及结果，以支持早期临床决策，对分析重现性和与生物标志物的相关性使用了一个规模较大的数据集。

Jul, 2023