本研究开发了一种基于自然语言处理的AI预测模型，用于预测神经外科术后意外重症监护病房入住。通过分析电子健康记录，模型将意外入院的召回率从36%降低至4%，显著提高了预测的准确性和可靠性。

本研究探讨数字系统在重症监护病房中如何支持临床决策，特别是针对复杂人工智能模型的信任问题。通过对七位ICU医生的访谈，提出了设计建议，为未来AI系统的开发提供参考。

本文介绍了通过COhort Representation lEarning (CORE)框架和可解释的Mimic学习方法，利用电子健康记录(EHR)数据改进患者管理和临床决策。这些方法在提取可解释的表型特征和提高预测性能方面表现出显著优势，尤其在重症监护室的应用中，有效改善了患者表型刻画和临床护理实践。

本研究提出了一种基于多变量时间序列数据的机器学习方法，以提高重症监护室患者的死亡率预测性能。通过分析生命体征数据，采用端到端聚类系统和长短期记忆网络，成功识别患者的生理状态，取得了良好的预测效果。研究强调数据共享和模型泛化能力的重要性，为临床决策提供了有价值的见解。

本研究提出了一种新颖的自我监督预训练方法，解决重症监护中的数据不足问题，并在数据有限的情况下，在院内死亡预测和表型预测等任务中优于基线模型，提升数据分析能力。