- 解释性人工智能技术在重症监护单位患者多药耐药获取的不规则时序分类中的应用
该研究提出了一种新的方法，结合门控循环单元（GRUs）与先进的内在和事后可解释性技术，用于检测重症监护病房（ICU）中多重耐药（MDR）感染的发生。研究的关键因素包括抗药性、解释性人工智能方法、GRU 模型和临床干预。
- 利用交叉注意力提高机械通气需求的预测
本研究利用深度学习模型和多头注意力机制 (FFNN-MHA)，通过学习个体患者的个性化上下文信息，提高机械通气需求的准确预测并减少错误结果。在 MIMIC-IV 数据集上，FFNN-MHA 相比于传统模型如前馈神经网络，AUC 值提高了 0 - 基于深度学习的 ICU 中风患者增强死亡预测
通过增强特征选择和数据清洗，该研究提出的模型在减少特征数量的同时，相比现有模型展示了 13% 的 AUROC 提升。
- 可解释预测患者路径的机器学习框架：以预测症状为脓毒症患者的 ICU 入院为例
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。
- 医学时间序列和笔记的多模态预训练
在重症监护室内，包括临床测量和临床笔记在内的丰富患者数据可供利用，但其分析也面临许多挑战。本研究提出了一种新颖的方法，利用自我监督预训练来解决深度学习模型在重症监护中的标注数据不足问题，并在数据有限的情况下，在院内死亡预测和表型预测等下游任 - 危重病患的快速且可解释的死亡风险评分
使用现代可解释的机器学习技术设计准确可解释的死亡风险评分模型，通过评估医疗中心的风险，研究领域的泛化性，并开发了一种新的算法 GroupFasterRisk，其风险评分模型在设计灵活性上比黑盒机器学习模型优于传统风险评分模型。
- 论异构临床时间序列的逐步嵌入的重要性
使用深度学习对表格时间序列模型进行步进式嵌入，提高临床序列建模的性能。
- 可解释机器学习在 ICU 复诊预测中的应用
通过标准化和可解释的机器学习流程，该研究在多中心数据库上建模和预测了患者再次入院，使用随机森林分类模型获得了高达 0.7 的预测性能，并提供了对生命体征、血液检查、人口统计学信息和 ICU 相关变量等方面的有见地的结果，对临床医生的决策提供 - 超图卷积网络用于精细化 ICU 病人相似性分析和风险预测
我们提出了一种新颖的超图卷积网络，可以捕捉隐藏的特征结构，计算个性化的死亡风险预测，评估表明我们的方法在死亡风险预测上优于现有模型，并且几个案例研究的结果证明了构建图网络在决策中提供良好的透明性和稳健性。
- 利用放射学报告和图像改善 ICU 死亡率预测的实证研究
本文采用深度学习技术，以多模态数据为特征预测 ICU 死亡率，在 MIMIC-IV 数据集上进行验证，结果显示平均 C 指数为 0.7829，明显优于基线 SAPS-II 特征 (0.7470) 并证明了已预定义标签 (2.00%)、文本特 - 又一款 ICU 基准测试：用于临床机器学习的灵活多中心框架
该研究介绍了一个名为 “YAIB” 的模块化框架，旨在为医疗保健机器学习领域定义可重复和可比较的实验，支持大部分开放获取的重症监护病房数据集，并为多个机器学习和深度学习模型提供透明的预处理管道和可扩展的训练代码。通过这个框架，作者发现数据集 - XMI-ICU: ICU 中心特定心脏病患者假动态死亡率可解释的机器学习预测模型
本研究利用回溯检验提取的两个队列，发展了一种新的伪动态机器学习框架，用于重症监护病房的死亡预测，实现了可解释性和临床风险分析，并成功地结合了时间序列生理测量技术，从而能够提供时间分辨率的解释结果。
- AI 增强的重症监护室：通过普适感应技术改变患者护理
本文介绍了我们开发的具有智能化监测和视觉评估功能的 Intelligent Intensive Care Unit (I2CU) 系统结构，该系统使用感知和数据处理，从多个模式收集数据，包括深度图像、颜色 RGB 图像、加速度计、肌电图、声 - 医疗流程建模与符合性检查：一项 COVID-19 案例研究
该论文基于德国 Aachen Uniklinik 医院的重症监护室的实际病例，通过过程挖掘技术开发了一种规范模型来代表 COVID-19 患者的临床治疗指南，并分析了来自医院信息系统的行为记录与该指南的一致性，该方法可以揭示出医疗过程中的主 - SIGIR通过知识图谱增强的多视图图卷积从医疗文本预测患者再入院风险
本研究提出一种新的方法，使用电子健康记录（EHR）的医疗文本，通过多视图图表和图卷积网络对患者出院小结进行表征学习，以预测重返重症监护病房的风险，获得了最优的预测效果。
- ICML贝叶斯建模实践：利用不确定性提高医疗应用的可信度
本文介绍了如何使用贝叶斯建模和预测不确定性来减少误判和检测出领域外的医疗样本，通过一个贝叶斯神经网络应用于 MIMIC-III 数据集，展示了它在 ICU 患者的死亡风险预测中防止潜在误差和可靠地确定领域外患者的作用，证明了贝叶斯预测不确定 - ClinicalBERT：医疗记录建模和医院复诊预测
本文使用双向转换器（ClinicalBERT）开发和评估了临床笔记的表示方法，该方法发现了医学概念之间的高质量关系，并在 30 天医院再入院预测方面优于基线，使用的数据为出院小结和重症监护室的前几天的笔记。
- 远程监督多任务学习在危重病护理中的应用
为了减少重症监护室中的假警报，采用一种新的多任务网络结构，利用远程监督的方法通过多个相关辅助任务来降低训练所需标签的数量，并证明我们的方法在实际数据集上优于多种现有工作。
- 使用 LSTM 循环神经网络进行诊断学习
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。