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

通过集成预测模型标签与簇医学轨迹的方法，本研究开发了一种创新的方法，可以在模型开发期间预测性的检测到潜在的过度诊断病例，以提供安全的计算机诊断工具使用指南。

Jul, 2021

研究以机器学习算法(KATE)为基础，与就诊数据进行综合，能够在急诊科中高准确度地诊断感染性休克，并且其在重症感染和感染性休克的诊断性能明显优于常用的诊断方案。

Apr, 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

机器学习模型在自动化临床决策中起着越来越重要的作用。我们介绍了一种基于投影的创新方法，将临床专业知识作为领域约束无缝融合，生成可用于机器学习工作流的重要元数据。通过捕捉生理和生物限制患者生命体征和实验室数值的高维混合整数规划，我们可以利用数学“投影”的力量纠正电子病历数据中的患者数据错误。我们测量修正后的数据与定义健康范围的约束之间的距离，得到一个称为“信任分数”的独特预测指标。这些分数提供了对患者健康状况的见解，并显著提升了机器学习分类器在现实临床环境中的性能。我们在早期脓毒症检测的背景下验证了我们框架的影响。我们展示了0.865的AUROC和0.922的精确度，超过了没有此类投影的常规机器学习模型。

Aug, 2023

本研究使用公共eICU-CRD数据集和韩国圣玛丽医院的私人数据集，对LightGBM和XGBoost两种集成学习方法进行比较分析，发现这些方法在处理医疗数据不平衡和增强脓毒症检测方面的有效性。具体而言，LightGBM在计算效率和可扩展性方面略胜一筹。该研究为机器学习在危重护理中的广泛应用铺平了道路，从而全球扩展了预测分析在医疗保健中的应用。

Nov, 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

本研究针对医疗预后的现有问题，通过系统回顾各种机器学习技术的应用，指出了这些方法的有效性、挑战及未来方向。论文展示了随机森林、逻辑回归、卷积神经网络和长短期记忆网络等技术在疾病预测和风险评估中的关键优势，强调了模型解释性的重要性及数据质量的挑战，为提高患者预后提供了潜在影响。

Aug, 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

本研究针对脓毒症早期准确诊断的挑战，提出利用心率变异性（HRV）特征建立有效的预测模型。通过特征工程方法识别关键HRV特征，并使用XGBoost、随机森林及集成模型提升诊断性能，最终实现F1分数0.805，突显HRV在脓毒症自动诊断中的有效性及模型结果的透明性。

Aug, 2024