标签
本文提出了一种混合框架，将结构化临床数据与LLM生成的叙述相结合，用于冠状动脉疾病预测，在变量提取方面实现了高保真度，并比较了机器学习模型与基于LLM的零样本和少样本分类。
提出ReTAMamba，一种使用基于Mamba的可靠性感知时间聚合进行不规则临床时间序列预测的方法，在MIMIC-IV、eICU和PhysioNet 2012上取得了显著的AUPRC提升。
本综述论文提出了一个用于临床AI中干预感知疾病轨迹建模的统一框架，通过整合治疗混杂反馈和信息性观察模式来解决静态预测的失败。
本文通过将按时间排序的临床笔记转换为预测示例，将前瞻性学习扩展到临床事件预测。在120B模型上使用LoRA适配器改善了校准性能，并在留出问题上优于GPT-5。
Foresight Learning 将纵向临床记录转换为预测示例，与基础模型相比，LoRA 适配器改善了校准并减少了不确定性，在保留问题上优于 GPT-5。