机器学习模型在临床决策中的作用越来越重要。一种基于投影的创新方法将临床专业知识与机器学习工作流结合，纠正电子病历数据中的错误，提供对患者健康状况的见解，并提升机器学习分类器的性能。该方法在早期脓毒症检测中验证，取得了较高的AUROC和精确度。

本文提出了一种新的投影方法，将条件信息纳入GAN的鉴别器中，提高了图像生成质量，并成功应用于超分辨率图像生成。

研究人员提出了一种基于投影的创新方法，将临床专业知识与机器学习工作流相结合，生成重要的元数据。通过捕捉患者生命体征和实验室数值的高维混合整数规划，可以纠正电子病历数据中的错误。通过测量修正后的数据与健康范围约束之间的距离，得到了一个称为“信任分数”的预测指标。这些分数提供了对患者健康状况的见解，并显著提高了机器学习分类器在临床环境中的性能。