该研究提出一种监督式对比学习框架 CROCS，它可以将与病人特定属性（如疾 病类别、性别、年龄）相关联的心脏信号的表示学习到可以学习的临床原型嵌入 中。通过使用这些原型，可以根据多个病人属性聚类和检索无标签的心脏信号。该 框架在聚类和从大型数据库检索相关心脏信号方面优于现有的方法，并且临床原型 根据病人属性采用语义相关性布局，从而提供了高度可解释性。

Nov, 2020

本文提出了一种将电子健康记录中的医疗概念和患者转化为临床有意义的构建特征的基于数据驱动的方法，从而通过时间关系来学习医学概念的表示和病人向量，达到对诊断和治疗的性能优化。

Feb, 2016

本研究提出了一种概念感知的无监督用户嵌入方法，结合来自 MIMIC-III 和 Diabetes 两个临床语料库的文本文档和医学概念，用于疾病诊断和病人特征研究等领域，实验证明该方法的性能明显优于现有的无监督方法。

Mar, 2022

介绍了一种开源的医学概念注释工具 (MedCAT)，该工具使用自我监督的机器学习算法从电子医疗记录中提取 UMLS/SNOMED-CT 概念，从而实现了对大量结构化文本的临床分析。该工具包括：自定义和训练 IE 模型的功能丰富的注释界面；以及与 CogStack 生态系统的集成用于厂商无关的卫生系统部署。现实世界的验证表明，该工具在大型伦敦医院的 SNOMED-CT 提取方面的性能表现很好，表明了跨领域的 EHR-agnostic 实用性，可加速临床和研究用例。

Oct, 2020

使用电子病历（EHR）来预测下次就诊诊断是医疗保健中的重要任务，为医疗服务提供者和患者制定主动的未来计划至关重要。然而，许多先前的研究没有充分解决 EHR 数据中固有的异质性和分层特征，不可避免地导致次优性能。为此，我们提出了 NECHO，一种新颖的以医学代码为中心的多模态对比 EHR 学习框架，具备分层正规化。首先，我们使用定制的网络设计和一对双模态对比损失来整合包括医学代码、人口统计和临床记录在内的多方面信息，这些信息都围绕着医学代码表示。我们还使用医学本体中的父级信息对特定于模态的编码器进行正规化，以学习 EHR 数据的层次结构。对 MIMIC-III 数据进行的一系列实验证明了我们方法的有效性。

Jan, 2024

本文提出了一个基于纵向病人电子健康记录 EHR 的病人相似性评估框架，结合卷积神经网络和医疗概念嵌入实现对病人临床记录的最优表示，进而提高了病人相似性的性能。

Feb, 2019

EHRmonize 利用大型语言模型从电子健康档案中提取医疗概念，具有提高效率、减少标注时间的潜力，但仍需要临床专业医生的监督。该框架可作为一个 Python 包提供，有望加速健康研究和改善数据整合过程。

Jun, 2024

本研究提出了一种基于电子病历数据的的 Med2Vec 方法，通过学习医学代码和访问的分布式表示形式，利用序列访问顺序和访问内部代码的共现关系提供临床医生可验证的基础， 在关键医学应用中显示出与流行基线（如 Skip-gram、GloVe 和堆叠自动编码器）相比的显着改进。

Feb, 2016

该论文提出了一种基于无监督机器学习的医疗概念注释工具 MedCAT，可在不需要人工标注数据的情况下从电子病历等医疗文档中提取并链接具有潜在医疗知识的实体，表现出良好的性能，是一种轻量级、快速且易于使用的工具。

Dec, 2019

本文提出了一种基于 Transformers 的新型框架 sEHR-CE，可以在不需要映射的情况下，对异构临床数据集进行集成表型和分析。使用预训练的语言模型来预测疾病表型的准确性高于非文本和单个术语方法，并且用 2 型糖尿病为例说明如何识别没有诊断但具有与患者相似临床特征的个体。

Nov, 2022