本研究探讨了步态分析作为评估下肢骨折患者的创伤后并发症，如感染、不正愈合或硬件刺激，的工具的潜力。研究关注了使用连续步态数据集预测并发症的监督式机器学习模型的效果。研究认为，机器学习，特别是 XGBoost，在骨科护理中的步态分析中有潜力，预测创伤后并发症，早期步态评估变得至关重要，揭示干预点，结果支持对骨科学的数据驱动方法的转变，提高患者的疗效。

Sep, 2023

手术后并发症风险的准确预测使用电子健康记录和人工智能显示出巨大潜力，而联邦学习模型可在数据保护壁垒较高的多个机构的大规模数据上训练出健壮且具有广泛适用性的模型。

Apr, 2024

该研究使用机器学习模型为多样性危重病人预测输血需求，在有效预测输血需求的同时，还能识别关键生物标志物帮助输血决策。

Jan, 2024

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

采用机器学习模型来预测感染性休克的早期发生，利用来自纽约布朗克斯 Montefiore 医疗中心的非身份识别的临床数据。

Feb, 2024

使用深度学习模型对 17,587 个 X 光片进行训练，研究了骨折的影像学特征、患者特征和医院过程特征对其影响，发现这些因素是计算机辅助诊断算法预测的主要来源，表明应该进一步研究深度学习决策过程以有效协作。

Nov, 2018

通过使用卷积神经网络（CNN）从髋部 DXA 图像中提取特征，并结合临床变量、形态测量和纹理特征，我们提出了一种新颖的分段模型，用于评估老年人和中年人髋部骨折风险。该分段模型通过将集合模型 1（仅临床变量）的不确定性加入决策流程，以确定是否需要进一步预测 DXA 特征，而集合模型 2（临床变量和 DXA 成像特征）的表现最佳，实现了 AUC 为 0.9541，准确率为 0.9195，敏感性为 0.8078，特异性为 0.9427。此外，该分段模型建议 54.49% 的患者不需要进行 DXA 扫描，既提高了准确性又降低了费用与辐射。

May, 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

该研究调查了树模型在长期死亡预测上的表现，并研究了两种近期引入的生物标志物对长期死亡的影响。研究采用来自中国台湾卫生福利部的 CCHIA 公开数据，以及从 139 例急性心肌梗死患者收集的医学和人口统计学数据，使用先进的集成树模型算法预测了 14 年内的全因死亡率，并发现添加生物标志物后算法的性能有所提高，可更好地为高风险个体确定治疗优先级。

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