本文探讨采用长短期记忆（LSTM）深度神经网络来挖掘多元时间序列的临床医疗数据，特别是在重症监护病房（ICU）中的应用，通过将128个诊断结果与13个临床测试指标进行分类建模，获得了优于其他多层感知机的分类效果。

Nov, 2015

本研究探讨了无监督表示学习在医学时间序列上的应用，结果表明无监督表示学习可以优于端到端监督体系结构，使用序列到序列模型(Sequence-to-Sequence, Seq2Seq)的效果最佳，通过第一次在无监督学习的医学时间序列中使用集成注意力机制，实现了预测性Seq2Seq模型的最佳表现。

Dec, 2018

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

本文系统地检验了机器学习模型在临床预测任务方面的表现，尤其是在生理时间序列方面，并选择Physionet 2019挑战公共数据集来预测ICU单位脓毒症结局。比较了十个基准机器学习模型，包括三种深度学习方法和七种临床预测领域常用的非深度学习方法，使用了九个具有特定临床意义的评估指标来评估模型的表现。结果表明，深度学习的确优于非深度学习，但必须满足特定的条件才能达到更好的表现，这些条件包括使用特定的评估指标以及拥有足够规模的训练数据集。

Nov, 2022

本文提出了WindowSHAP框架，一个用于解释时间序列分类器的模型无关框架，使用Shapley值来降低计算复杂度并提高解释质量，提供三个不同的算法，分别对应静态、滑动和动态时间窗口，应用于医学领域的数据，获得了较好的实验结果。

Nov, 2022

自我监督学习在临床时间序列数据中的应用引起了广泛关注，本文提出了一种新的自我监督学习方法——顺序多维自我监督学习(Sequential Multi-Dimensional SSL)，在序列的整体和个体高维数据点级别上应用自我监督损失以更好地捕捉两个尺度上的信息。实验证明，使用本方法进行预训练并在后续任务中微调可以提高性能，并在不同自我监督损失函数中取得改进。

Jul, 2023

Clairvoyance是第一个展示临床时间序列机器学习全面可自动化的流水线的工具包，它旨在解决临床决策支持中工程、评估和效率方面的挑战，并通过实证标准和优化接口，并在健康护理旅程中的个人预测、治疗效果估计和信息获取中提供集成路径。

Oct, 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

应用机器学习从大规模时间序列数据中提取临床见解，解释潜在状态、预测结果，并通过算法识别白天行为模式以预测夜间行为。

Nov, 2023

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