本研究提出了一种新方法，将通用大语言模型（LLMs）应用于电子健康记录（EHR）编码。通过将病人记录序列化为结构化Markdown文本，LLM在15个临床预测任务中表现优异，超越传统模型，展现了在临床预测中的潜力与可扩展性。

本研究提出了一种模态信息驱动的知识蒸馏框架（MIND），旨在通过知识蒸馏提升小型多模态模型在临床预测任务中的性能，以应对多模态医疗数据集较小的问题。

本研究提出了Lab-MAE框架，旨在解决电子健康记录中缺失实验室值的插补问题，尤其是在代表性不足的群体中。通过自监督学习和结构化编码，有效建模实验室检测值及其时间戳，显著提高了临床预测的公平性和准确性，具有重要的应用潜力。

本研究比较了大型语言模型（LLMs）与传统机器学习模型在临床预测中的表现，结果显示LLMs在文本处理方面表现优越，但仍未能超越传统模型，提示临床应用需谨慎对待。

本文研究了机器学习模型在临床预测任务中的表现，特别是在生理时间序列方面。通过比较不同模型在脓毒症结局预测上的表现，发现深度学习方法优于非深度学习方法，但需要满足特定条件，如使用特定评估指标和足够规模的训练数据集。