标签
本文提出了一种方法，利用冻结的医学大型语言模型（LLM）表示作为共享嵌入空间，从结构化和非结构化电子健康记录数据中预测主要ICD诊断类别，在MIMIC-IV上取得了优于基线方法的准确率，并展示了向MIMIC-III的迁移能力。
PORTER是一种基于语言的结构化电子病历基础模型，通过文本描述和数值表示临床事件，能够实现跨机构的词汇无关迁移，无需重新训练。在儿科预测任务中，PORTER与固定词汇模型性能相当，并在迁移至未见事件描述时恢复了97.1%的AUROC。
介绍了一种基于基础模型的框架，用于CT影像与纵向EHR数据之间的跨模态表示对齐，以实现时间-事件预测，并在肺栓塞和心血管疾病队列上评估了融合策略。
QDSP 是一种可解释的结构化学习框架，用于预测极低出生体重婴儿的死亡或脑瘫，集成了配额引导子空间采样和可微决策引导结构感知。在一个真实队列和外部数据集上，它优于 XGBoost、TabNet 和 TabPFN 等基线模型，并识别了临床相关的预测因素，如 cPVL 和出生体重。
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。