本研究开发了TRisk，一个基于变压器的人工智能模型，通过分析英国电子健康记录，预测心力衰竭患者36个月的死亡率，优于传统的MAGGIC-EHR模型。

本研究提出了一种教师-学生多任务框架，以应对脓毒症预测中的挑战，提升了对血管活性药物评分数据的适应性，AUROC达到0.82，强调了临床和社会因素在重症监护中的重要性。

急性胰腺炎是一种严重的消化系统疾病，常因暴饮暴食、胆结石或酗酒引发。主要症状包括剧烈的上腹部疼痛、恶心、呕吐和发热。发病率高，重症患者死亡率可达30%。及时就医至关重要，以避免延误治疗。

本研究提出PEP-Net算法，结合3D残差网络与极端梯度提升，成功预测肺栓塞患者30天院内死亡率，准确率达到94.5%，优于传统模型。

本研究提出了一种基于半马尔可夫奖励过程的时序差分学习框架，旨在解决高方差问题，从而更可靠地预测长期患者结果。

研究使用机器学习分类器对住院患者的暗场显微镜下的微循环视频进行非感染和感染图像的区分，准确度达到89.45％。分类器具有诊断应用价值。同时，使用无监督的卷积自编码器将学习到的特征从压缩的表征中聚类，可用于识别健康的微循环图像与有微循环功能障碍的图像。

本研究探讨了COVID-19疫情期间和疫情过后使用人工智能模型预测死亡率的性能、可解释性和鲁棒性。研究发现贝叶斯神经网络和智能训练技术能够保持模型性能。研究结果强调了开发鲁棒人工智能模型的重要性。研究还探索了模型可解释性和量化模型不确定性的重要性。研究倡导将科学优先纳入医疗人工智能研究，并确保人工智能解决方案在实际临床环境中具有实用性、益处和可持续性。

通过使用 CTPA 成像、临床数据和 PE 严重指数（PESI）评分来预测 PE 的死亡率，研究采用深度学习模型来预测 PE 的死亡率，并将疾病相关的成像特征和 / 或临床变量纳入 DL 模型中进行预测，结果表明多组学 DL 模型在 PE 存活预测中的 c-index 值明显高于仅使用 PESI 指数的模型。

COVID-19早期筛查和诊断对于减少传播和降低死亡率至关重要。研究使用大规模的COVID-19胸部X射线数据集和CoVScreen卷积神经网络进行训练和测试，证明了该方法在COVID-19感染筛查方面的有效性。

通过预处理技术和机器学习算法，研究发现对不平衡的临床数据集进行预处理可以提高预测心力衰竭患者死亡率的性能。相比树模型，尤其是随机森林和XGBoost，在F1评分和MCC上平均提高了约3.6%和2.7%。该研究有望改善心力衰竭管理中的患者预后。

该研究使用机器学习模型和电子健康记录预测心理诊断患者的死亡率，随机森林和支持向量机模型优于其他模型，药物处方在预测中起到关键作用。

该文介绍了一种去混淆表示学习框架，用于消除治疗与协变量之间的依赖关系，并嵌入反事实推理网络以实现去混淆和可信的推理。实验表明，该框架在学习去混淆表示方面表现卓越，并展示了红细胞宽度分布与死亡率之间的详细因果关系。

该研究使用英国国家医疗服务的电子健康记录，构建预测模型，预测突然死亡的风险。研究强调了预测突然死亡的挑战和对机器学习模型在医疗应用中的理解和解释的需求。

本研究开发了一组深度学习算法，用于自动检测无对比剂头颅CT扫描的关键发现。算法能够准确识别颅内出血及其类型，脑内实质，脑室内，硬膜下，硬脑膜外和蛛网膜下，骨盖骨折，中线移位和占位效应。算法的识别准确率很高。

最近有一篇发表的学术论文：Age-stratified infection fatality rate of […]相关文章管中窥豹、见微知著1986-90年出生的中国人比较悲剧戴口罩对防新冠病毒到底有没有用？欧美为什么不戴？How Much to Buy Kindle in Europe?数字分析持有Steem Power的具体好处是什么？