文章笔记：
三篇文章都是基于EHR的MIMIC-III数据集，训练模型，做病人相关数据的预测。
按照时间顺序，第一篇有四个任务（院内死亡、生理衰竭、住院时间、表型分类），使用基于LSTM的模型，现在来看LSTM似乎过时了。
第二篇有两个任务（预测诊断、急性呼吸衰竭），其中一个任务是创新的，我觉得这是一种讨巧的行为，我提出100种新任务，我可以写100篇论文吗？
原文：注意到我们的急性呼吸衰竭（ARF）诊断任务是一项全新的任务，我们认为，在临床实践中，越早做出诊断，其价值就越高。因此，我们在这项工作中提取了前 48/12 小时的数据来进行诊断预测，而不是整个入院期间的数据。
模型如下，引入了对于医疗笔记的特征提取，以及多模态融合方法，值得学习。
可以看到，对于时间相关、时间无关的两种特征提取方法还是比较原始的（LSTM+线性层），我坚信有更好的方法。但是在结果中（如下图）基于LSTM的模型在ARF任务中表现最优，我坚信有更好的特征提取方法，能达到更好的效果。（而且ARF是全新的任务，参考价值不大）
第三篇实现了将时间的不规则性整合到多模态表示中，以提高医学预测能力。提取特征的方式和多模态融合方式相较于前两篇更加复杂。模型图如下：
这个模型在提取MISTS时使用了两种方法（Imputation、mTAND），并且使用UTDE做融合。这确实可以提高效果，但我并不喜欢这种方法。
- Imputation、mTAND、UTDE都不是作者的新方法，只是把别人的方法拿过来做排列组合。在后面实验部分也可以看到作者实验了很多之前的方法。
- 使用多个方法做融合（这里不是指多模态）常常是深度学习比赛为了刷榜使用的方法，那我使用之前用过的100种旧方法做融合（类似于Boosting），效果不会提升吗？
第三篇的两个任务：48小时住院死亡预测（48-IHM）和24小时表型分类（24-PHE）。
有趣的是，三篇文章的任务都是不完全相同的，我还是认为这是一种讨巧的方法，我提出一种模型结构，在很多不同的任务上做预测，是不是只要一个达到SOTA就可以发论文？如果工作量不够，是不是还可以提出一个新任务来做分析？