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

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

本研究提出了一种机器学习系统，通过使用行为数字表型数据预测、检测和解释患有精神分裂症的患者症状的个体变化情况，通过使用变化点算法检测减少的症状，并在模拟持续监测的情况下使用反事实说明作为医疗保健中的纾困措施。

Jun, 2023

本文介绍了一种名为 “可解释的 Mimic 学习” 的新型知识蒸馏方法，用于学习解释性的表型特征，以进行强大的预测，同时模仿深度学习模型，以解决临床决策中关键的模型可解释性问题。在临床时间序列数据集上进行的详尽实验表明，我们的方法获得了与深度学习模型相似或更好的性能，且为临床决策提供了可解释的表型特征。

Dec, 2015

通过多变量时间序列聚类方法 SLAC-Time，作者研究了创伤性脑损伤（TBI）的动态变化以及不同年龄组对其表现和结果的影响，并发现了三种可以泛化到不同人群的 TBI 表型，分别为 α、β、γ 型，它们分别在急诊访视和重症监护期间表现出不同的临床特征。此外，通过各个年龄群体的比较，发现 TBI 表现的核心特征与年龄无关。

Jan, 2024

本文提出了一个基于本体和弱监督的方法，使用最近的 BERT 上下文表示进行文本表型处理，该方法可用于从临床笔记中识别出以往难以识别的罕见疾病的患者角色，无须领域专家的注释数据，可提高不少于 30% 至 50% 的精确度。

May, 2022

通过使用预手术和术中数据，我们开发了一个多模态深度学习模型，用于预测老年髋关节骨折患者术后死亡率，并通过计算 Shapley 值解释了我们的模型预测结果。

Apr, 2024

利用无监督机器学习从电子健康记录推断潜在病因，学习临床疾病模式，提高对疾病的诊断准确性。

Feb, 2024

本篇论文通过结合监督和无监督机器学习方法，识别出不同的亚型，能够准确预测帕金森患者的疾病进展和症状，并探究了病人异质性和个性化干预的潜力。

Jun, 2023

通过混合隐马尔可夫模型对长期疾病患者轨迹进行亚群分组，从而实现个性化医疗，该模型在研究中表现出较常见基准的优势

Apr, 2024