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。

该文介绍了一种基于投影的创新方法，将临床专业知识作为领域约束无缝融合，生成可用于机器学习工作流的重要元数据。通过捕捉生理和生物限制患者生命体征和实验室数值的高维混合整数规划，我们可以利用数学“投影”的力量纠正电子病历数据中的患者数据错误。这些分数提供了对患者健康状况的见解，并显著提升了机器学习分类器在现实临床环境中的性能。在早期脓毒症检测的背景下验证了该框架的影响，展示了0.865的AUROC和0.922的精确度，超过了没有此类投影的常规机器学习模型。