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。

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。

本研究提出了一种新方法DeLLiriuM，用于重症监护室患者谵妄的早期检测。基于104,303名患者的电子健康记录，DeLLiriuM在预测性能上显著优于现有深度学习模型，为临床干预提供了可靠依据。

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。