本研究利用机器学习模型，动态识别慢性肾脏疾病患者，预测其是否需要肾脏替代治疗，可提前至一年。在研究中，我们对近三百万医保受益人进行了超过八百万次预测，证明该模型可实现超过90％的灵敏度和特异度。该研究为筛查患者并进行早期干预以改善肾脏替代治疗成果提供了基础。

Sep, 2022

该研究调查了大型语言模型（LLMs）在内科专科多项选择测试能力方面的医学知识能力，与GPT-4和Claude 2相比，当前广泛使用的开源LLMs在零-shot推理能力方面表现不佳。

Aug, 2023

本研究利用先进的机器学习算法，对来自伊拉克多个地区在2021年至2023年期间的821名新冠肺炎康复患者进行长期肾功能损害的风险预测。研究结果可能通过早期识别和干预高风险患者，改善临床结果，并为新冠肺炎患者的护理和生活质量提供宝贵的见解。

Sep, 2023

为了解决机器学习在早期透析预测中的挑战，本研究评估了不同的数据增强技术在现实世界数据集上的有效性，并提出了一种名为 Binary Gaussian Copula Synthesis（BGCS）的新方法，该方法通过生成与原始数据分布相似的少数类数据来提高早期透析预测的准确性。此外，我们还设计了一种基于机器学习的临床决策支持系统（CDSS），以帮助临床医生做出明智的决策并有效制定CKD患者的治疗计划。

Mar, 2024

通过收集来自台湾医院数据库的五年电子健康记录，该研究提出了一个新颖的大型语言多模型（LLMMs）框架，将临床笔记和实验室检测结果的多模态数据结合起来预测慢性疾病风险，观察到将clinicalBERT和PubMed-BERT与注意力融合相结合可以在多类慢性疾病和糖尿病预测中达到73%的准确率，将实验室检测值转化为文本描述后，利用Flan T-5模型可以达到76%的ROC曲线下面积（AUROC），从而显著提高了糖尿病早期预测的准确性。

Mar, 2024

开发了一个可解释的机器学习系统，用于预测有心血管风险的患者中的慢性肾脏病，在全球解释性框架、生物医学相关性和安全性评估等方面具有突出优势。

Apr, 2024

使用集成学习和可解释的人工智能来视觉化慢性肾脏疾病的主要特征、特征得分和价值，提高对该疾病早期预测和检测的准确性，为临床医生开处方推荐个体患者的生活方式改变以减缓疾病进展提供帮助。

Jun, 2024

本研究解决了肺癌淋巴结转移（LNM）预先诊断准确性不足的问题。论文提出了一种新颖的集成方法，将大语言模型（LLM）学习到的医学知识与机器学习模型识别的潜在模式结合，以提升LNM预测性能。研究结果显示，GPT-4o能够有效整合医学知识与机器学习输出，显著提高了预测准确性，为临床预测提供了新的思路。

Jul, 2024

本研究解决了肺癌淋巴结转移（LNM）预操作诊断不准确的问题，提出了一种新的集成方法，将大语言模型（LLMs）获得的医学知识与机器学习模型识别的潜在模式结合，以提升LNM预测性能。实验结果表明，GLPT-4o能够利用其医学知识和机器学习预测的概率，实现更准确的LNM预测，为临床风险预测提供了一种新范式。

Jul, 2024

本研究解决了利用行政索赔数据预测慢性肾病（CKD）进展到终末期肾病（ESRD）的不足。通过结合传统机器学习和深度学习方法，尤其是使用长短期记忆（LSTM）网络，本研究发现LSTM模型在24个月观察窗口中的预测性能优于现有模型。同时，通过SHAP分析增强了模型的可解释性，为个体患者的预测提供了特征影响的深入见解。这项研究强调了利用行政索赔数据进行CKD管理和预测ESRD进展的价值。

Sep, 2024