本研究利用机器学习模型动态识别慢性肾脏疾病患者，预测其是否需要肾脏替代治疗，灵敏度和特异度均超过90%。同时，开发了个性化死亡预测模型AICare，并评估了大型语言模型在医学知识测试中的能力，提出新方法以提高早期透析预测的准确性，为临床决策提供支持。

本文介绍了多种基于机器学习和深度学习的COVID-19死亡预测模型，包括条件长短期记忆网络、梯度提升模型和可解释的深度生存预测模型。这些模型结合病例、疫苗接种和社会经济数据，旨在提高预测精度和临床决策的可解释性，以帮助医疗资源分配和患者管理。

本研究探讨了电子健康记录中有辱人格言语对深度学习模型死亡预测的影响，发现去除这些言语能有效减少种族偏见。同时，比较了不同模型在医疗信息处理中的表现，强调了自然语言处理技术在提高预测准确性和识别敏感信息方面的重要性。

本文提出了一种可解释的多模态死亡预测器（X-MMP），用于预测住院死亡率。该框架结合临床数据，通过多模态学习和层级传递至Transformer的方法，提供合理的解释和竞争力的预测准确性。研究表明，该模型可视化关键特征，帮助医生理解决策过程，并可转移应用于其他临床任务。