通过子序列匹配技术，提出一种稳健的疾病分类器，可用于对长期病患者数据的分类，改善由于时间等原因导致病情多样化的挑战，并证实长期数据中的患者轨迹可用于量化患者之间的相似性。

Mar, 2018

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

鉴于公开的数据集，利用无监督机器学习方法，发现了眼压升高(OHT)的不同视野进展趋势，并发现了与快速视野进展相关的因素。

Sep, 2023

本研究介绍了从家庭睡眠呼吸暂停监测中获得的富有价值的数据集，该数据集使用FDA认证的WatchPAT-300设备，收集了7,077名参与者在21,412个夜晚的数据，包括原始的传感器多通道时间序列，注释的睡眠事件以及与睡眠结构、睡眠呼吸暂停和心率变异性相关的447个特征的计算摘要统计信息。我们还介绍了按照年龄和性别分层的AHI、睡眠效率、入睡后唤醒时间以及心率变异性样本熵的参考值。此外，我们还证明了该数据集在包括身体成分、骨密度、血糖水平和心血管健康等各种与健康相关的特征的预测能力方面的改进。这些结果展示了该数据集在推动睡眠研究、个性化医疗以及生物医学中的机器学习应用方面的潜力。

Nov, 2023

使用 STREAMLINE 方法，这项研究探索了基于摄影的表型特征在预测阻塞性睡眠呼吸暂停（OSA）中的应用价值，结果发现摄影特征在预测中重度/严重 OSA 方面提供了额外的价值，但没有超越传统人口统计学、并发症和症状特征在预测 OSA 中的效果。

Dec, 2023

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

通过R包“latrend”作为框架，实现对纵向聚类方法的统一应用，使得研究人员能够轻松比较不同方法、实现和方法规范，并且能够快速推出新的聚类方法。

Feb, 2024

通过将个性化POD风险预测的监督学习与无监督聚类技术相结合，我们提出了一种方法，用于发现潜在的POD表型，从而增进我们对POD病因的理解并促进针对性的预防和治疗策略的开发。

May, 2024

通过引入图增强型LLM框架，本文试图显著提高个性化和清晰度的健康洞察力，利用层次图结构捕捉病人间和病人内部关系，并丰富LLM提示信息，通过一个睡眠分析案例研究在COVID-19封锁期间涉及20名大学生，展示了我们的模型在有效生成可行和个性化健康洞察力方面的潜力，并利用另一个LLM评估了这些洞察力的相关性、完整性、可操作性和个性化程度，从而满足有效处理和解释复杂健康数据的模型的重要需求。我们的研究结果表明，使用我们的框架增强提示信息在所有4个标准下都取得了显著改进，通过我们的框架，我们可以产生量身定制、更慎重的回应，以适应特定的病人。

Jun, 2024

本研究针对医疗研究中的隐私问题，提出了一种合成患者数据的框架，能够生成复杂的协变量与纵向观察对。该框架通过在潜在空间中引入受控关联，支持开发预测模型，并提供公开的基准数据集，以促进医疗研究。研究结果表明，该框架在不同受控关联水平下生成的合成数据，具有良好的预测准确性，展示了其在医疗领域的应用潜力。

Oct, 2024