本研究使用先前开发的模拟机体免疫应答的内在免疫应答基于代理模型，并采用深度强化学习算法，通过建立系统病人测量的反馈回路，鉴定了适应性、个性化的多细胞因子调节治疗策略，成功将败血症患者死亡率降至零，并证实该中策略在随机病人参数空间中也表现良好，为治疗败血症提供了一种有前途的新方法。

Feb, 2018

本研究提出一种基于深度学习方法的感染监测系统：该系统利用电子病历等数据预测感染发生的可能性并辅以早期干预以提高为病人争取更多时间，其性能表现在 AUROC 值为 0.856，可在感染发生前三小时预测。

Jun, 2019

本篇研究提出了一种基于多模态 Transformer 模型的早期脓毒症预测方法，使用每位患者在 ICU 入院后 36 小时内的生理时间序列数据和临床笔记，仅利用前 12、18、24、30 和 36 小时的实验室指标、生命体征、患者特征和临床笔记进行预测。在 MIMIC-III 和 eICU-CRD 两个大型重症监护数据集上评估了我们的模型，结果证明我们的方法在所有指标上优于竞争基线。

Mar, 2022

利用机器学习和多子集方法进行感染性休克早期预测可缩短预测时间，并以时变趋势特征进一步改进早期预测的性能。

Apr, 2023

该研究旨在探讨AI系统的设计要求，以支持临床专家在早期诊断败血症方面做出更好的决策。通过对现有AI预测模块的基于医疗记录的电子健康档案系统的临床专家的形态学研究，该研究构建了SepsisLab，通过AI算法预测败血症发展并可视化预测的不确定性，并提供减少不确定性的可行建议，从而展示了SepsisLab在人机协作方面的潜力，对未来的AI辅助败血症诊断和其他高风险医学决策具有重要意义。

Sep, 2023

通过知识蒸馏和约束变分推断，我们使用一个高预测能力的“教师”神经网络模型来训练一个“学生”潜在变量模型，学习可解释的隐层表示，以实现对脓毒症预测结果的高准确性。

Nov, 2023

本研究针对医疗领域中人工智能应用的公平性和可解释性的关键需求，提出了一种通过预测模型来改善公平性的方法，并介绍了一种新型特征重要性算法，用于解释各个特征对公平性的贡献。该方法不仅有助于识别和减轻预测模型中的偏见，也增加了模型预测的透明度和公平性，从而为提供更公平可信赖的医疗服务做出了贡献。

Apr, 2024

利用机器学习和可解释预测的方法，提供对因脓毒症症状患者的重症监护室ICU入院的能力，通过综合仪表盘显示患者的健康轨迹、预测结果和相关风险，提供了改进预测准确性和可解释且可操作的见解，成为危重患者医疗决策支持的有价值工具。

May, 2024

通过结合临床专业知识与基于评分、基于约束和混合结构学习算法，该研究研究了可能受政策决策影响的败血症潜在原因的潜在因果结构，并发现慢阻肺、酒精依赖和糖尿病等风险因素的存在会增加患者患败血症的可能性，从而对政策具有潜在影响。通过评估模型在预测败血症方面的能力，发现共识模型的预测准确度、敏感度和特异度均在70%左右，AUC为80%，说明该模型的因果结构在只使用可供委托目的的数据训练的情况下是相当准确的。

Jun, 2024

本研究针对院内脓毒症死亡预测中的特点选择和模型可解释性不足的问题，提出了一种可解释且精准的机器学习模型。通过对MIMIC-III数据库的ICU患者记录进行详细分析，随机森林模型在精确度和AUC方面表现优异，证明了数据驱动的机器学习在医疗保健中提高院内死亡预测的潜力。

Aug, 2024