本研究提出了一种基于临床知识的尿路感染（UTI）风险分类框架，利用可解释的人工智能技术分析电子健康记录（EHR）数据，识别不同风险组的临床和人口统计差异，为临床决策提供AI驱动的洞见。

TriNet是一种机器学习模型，可自动化对需要进行下游诊断确认的情况进行三级筛查，检测肺炎和尿路感染方面达到了高的阳性预测值，优于目前的临床基准。机器学习医疗指导可以提供成本免费、非侵入性的对常见疾病进行高特异性筛查，同时提高急诊科的效率。