标签
本文提出了Patients-like-me（PLM），一个统一的LM-GNN框架，将局部患者语义与全局队列结构相结合，用于可解释的临床预测。它引入了一种变分期望最大化算法，并在MIMIC-III和MIMIC-IV上展示了最先进的结果，同时提供参考患者解释。
这篇arXiv论文评估了在来自三个医疗系统的ICU EHR数据上，对令牌化生成式事件模型（GEMs）进行联邦训练的效果，结果表明联邦学习能够保留集中式训练的大部分性能，并且与传统监督模型相比，提高了跨站点的可迁移性。
本文介绍了xMICD，一种将ICD代码分组与预训练嵌入相似性相结合的方法，以创建低维、临床可解释的患者表示，其预测性能可与基于嵌入的方法相媲美。
一项对190项研究的范围综述，描述了使用电子健康记录（EHR）数据进行手术风险分层和结局预测的端到端机器学习流程，并识别了预处理、评估和可解释性方面的方法论空白。
提出了一种深度神经模型，结合多层时序卷积网络和标签级注意力用于医疗编码，在F1和召回率分数上相比先前最先进模型取得了显著提升。
本文介绍了一项形成性研究，采用两阶段LLM流水线（Gemini 2.5 Pro 和 Flash）检测电子健康记录中的内部文档不一致性，分析了3000份出院小结，并提出了一种分级本体来对不一致性进行分类。
提出了TRACER框架，该框架集成了基于严重性的知识图谱和检索增强生成，用于轨迹感知的临床风险预测，在MIMIC-III和MIMIC-IV数据集上，死亡率和再入院预测取得了大幅提升。
该论文提出将多模态患者数据（文本、实验室结果、生命体征）转换为单一自然语言序列，并对大型语言模型进行微调以用于临床预测，在三个任务中实现了与专用融合架构相当或更优的性能。
LongMedBench 是一个新的基准测试，用于评估基于LLM的医疗智能体在长时程临床决策中的表现。它使用来自 MIMIC-IV 的真实电子健康记录数据，包含335名具有多次就诊记录的患者，并提出了针对事实问答、时序推理和长时程决策的评估套件。
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。
本文提出了一种自监督的基于Mamba的模型，从电子健康记录中学习有效的表征以改进患者亚型分类，在真实世界数据集上展示了优于基线模型的性能。
提出了一种基于扩散的方法来生成不规则临床时间序列，该方法联合建模实验室检测值及其观测模式，使用了来自MIMIC-III的DACMI基准。该模型在类似非随机缺失（MNAR-like）的缺失机制下，捕捉了患者生理状态与检验行为之间的临床有意义依赖关系。
本文提出了一种利用机器学习技术策展心脏科接口术语（CIT）的方法，用于突出显示电子健康记录笔记中的细节。该方法包含三个阶段，包括衍生训练数据并训练ML模型以识别候选概念，在测试数据上实现了高完整性和高覆盖率。
本文探讨了整合多模态临床数据（包括治疗记录、病理报告和临床医生笔记）的方法，通过基于规则的提取和机器学习，与单模态方法相比，提高乳腺癌复发预测的准确性。
EHRBench是一个自动化且可靠的基准测试，利用真实电子健康记录评估大语言模型在临床决策任务上的表现，涵盖诊断、治疗和预后任务，包含近100万个问答条目。