为了解决医疗机器学习中数据不一致和标准化处理框架缺失等难题，MIMIC-Extract提供了一种开源管道，将公开可用的MIMIC-III数据库中的复杂健康记录数据转换为可以直接用于通用机器学习管道的数据帧，并展示了其在基准任务和基线结果中的实用性。

Jul, 2019

本文介绍了EHRKit python库，该库包含两个主要部分，MIMIC-III特定功能和任务特定功能，通过访问MIMIC-III NOTEEVENTS数据并整合多个第三方库，以处理包括实体识别、文本摘要、机器翻译等12个NLP任务的临床文本。

Apr, 2022

本研究阐述了自然语言处理技术在电子病历上的应用存在的挑战和限制，以及研究人员使用机器学习、深度学习等技术进行处理和信息提取的相关领域和方法。

Jun, 2023

通过发布一份新的、包含6712位患者电子病历数据的纵向数据集EHRSHOT、以及一个141M参数的、预训练于257万位患者结构化病历数据的临床基础模型权重，在为医疗机器学习提供共享资产方面，该研究作出了贡献。

Jul, 2023

通过快速处理能力，检测易被忽视的隐藏模式使得机器学习(Machine Learning, ML)在今天的医疗系统中不可或缺。本研究的目标是在不同医疗领域简洁有效地收集 ML 应用，并以表格形式提供相关参考文献和描述，以便立即获取必要信息。我们将研究分为五个主要组别：社区层面工作、风险管理/预防护理、医疗运营管理、远程护理和早期检测。我们的目标是向人们介绍机器学习在医疗行业的适用性，缩小临床医生对机器学习应用的知识差距，并推动医疗专业人员更多地基于机器学习的医疗系统。

Jul, 2023

通过利用电子病历审计日志，我们的工作在特定的临床背景和特定时间点上，将机器学习作为便签相关性的监督源进行概念化，以降低临床医生在记录过程中查找相关病史所需的努力。我们的评估集中在急诊部动态检索，这是一个具有独特信息检索和记录编写模式的高急症设置。我们展示了我们的方法在预测哪些便签将在个人记录会话中被阅读方面可以达到0.963的AUC。此外，我们对数名临床医生进行了用户研究，发现我们的框架可以帮助临床医生更有效地检索相关信息。在这个要求高的环境中展示我们的框架和方法表现良好是一个有希望的概念验证，表明它们将适用于其他临床设置和数据模态（例如实验室、药物、影像）。

Aug, 2023

该研究系统综述了基于行政健康记录（AHR）的研究，分析了70项相关研究，发现AHR在健康信息学研究中的应用日益广泛且迅速增长，最终提出了一系列未来的研究方向，以提高AHR数据和机器学习技术在健康信息学研究中的实用性。

Aug, 2023

通过优化BERT模型的关键设计选择和数据表示方式，研究表明改进数据表示方法以及架构和训练协议可以显著提高基于BERT的电子健康档案模型的性能，从而为未来的相关工作奠定了坚实的基础。

Apr, 2024

EHRmonize利用大型语言模型从电子健康档案中提取医疗概念，具有提高效率、减少标注时间的潜力，但仍需要临床专业医生的监督。该框架可作为一个Python包提供，有望加速健康研究和改善数据整合过程。

Jun, 2024

本研究解决了从电子健康记录中提取表型信息所面临的临床文本异质性和复杂性问题。作者开发了一个名为medkit的开源Python库，旨在简化表型管道的构建与评估，促进其复用和丰富。研究的主要发现是medkit不仅提高了开发效率，还为表型识别社区提供了共享的工具和资源，潜在推动了相关研究的发展。

Aug, 2024