本研究提出ExOSITO方法，旨在解决重症监护室患者实验室检查过度订购的问题。该方法结合离线政策学习与临床信息，优化检查订单，降低成本，同时确保不遗漏必要检查，优于传统医生政策。

本研究探讨了澳大利亚和美国重症监护室中种族及族裔的健康不平等现象。尽管少数族裔患者入院时健康状况较差，但其生存率却较高，这揭示了与初级医疗服务获取不良之间的关系。

本研究提出了一种基于时序差分学习的框架，用于实时预测重症监护室患者的死亡率。该方法利用半马尔可夫奖励过程，在高方差不规则时间序列数据中表现出比传统监督学习更强的稳健性，为患者结果预测提供了更可靠的解决方案。

本研究提出了DeLLiriuM模型，用于重症监护室中谵妄的早期预测。基于195家医院的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方法，为临床干预提供了可靠依据。

本文探讨了在重症监护室中利用多模态数据和机器学习模型预测抗菌性多重药物耐药细菌及患者死亡率的方法。研究提出了可解释的AI解决方案，结合临床数据和时间序列分析，提升了预测准确性，为临床决策提供支持。

本文探讨了深度潜变量模型的局限性及其在生理信号重建中的应用，提出新技术和模型以提高预测准确性，尤其是在重症监护室中利用多元时间序列数据改善患者表型刻画，展示了机器学习在临床护理中的潜力。

本文探讨了利用LSTM和深度学习模型在重症监护室中进行死亡率预测的有效性。研究开发了可解释的死亡预测模型AICare，能够实时识别患者关键特征并提供临床决策支持，显示出优异的预测准确性和临床应用效果。

本文介绍了一种名为邻域对比学习（NCL）的新方法，利用时序数据增强技术提高重症监护室患者的预测精度。研究结合多模态特征生成模型，分析结构化与非结构化数据，优化院内死亡预测和表型预测的效果，展示了在临床数据分析中的应用潜力。