本研究提出了一种新颖的元学习梯度提升方法（Meta-ED），用于提高急诊科访客预测的准确性。通过分析堪培拉医院23年的外生变量数据，Meta-ED实现了85.7%的预测准确率，显著优于现有技术，显示出其在急诊访客预测中的应用潜力。

该文综述机器学习在急诊科的应用：N-BEATS、LightGBM预测床位占用和拥堵，优于统计基准；注意力模型和Transformer预测患者资源与干预时长；集成方法提升每日需求估算23%-27%；多模态语言模型结合主诉与生命体征提高诊断预测；心电图单一模型可筛查多种心脏及非心脏病症；T-ADAB入院预测AUC达95.4%；LLM多智能体模拟临床决策以减少认知偏差。

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。