针对临床上疾病相关数据，可以对数据进行结构化整理。并且，与临床医生一起，筛选变量，分析与建立相关疾病风险模型，为疾病的发生，发展，治疗反应性或转归提供统计分析，建立合适的疾病预测模型。
利用我们的医学专业知识及数据挖掘分析能力。
非结构化特征提取方面，基于BERT、BI-LSTM+CRF等深度学习NLP技术助力非结构 化特征结构化（比如现病史、既往史中提取既往疾病、特征NIHSS评分等信息）， 丰富特征维度，提升模型的表现；
主流机器学习方法落地应用方面，采用ARIMA、prophet、Catboost、LGM、DNN、XGB、RF等成熟主流机器学习方法，打破了传统统计学只有逻辑回归的痛点，提升了预测效果。
在数据的可解释性方面，利用基于博弈论的SHAP方法打破了机器学习领域的不可解释的痛点，在系统给出预测结果时，给出各特征对预测的贡献，便于用户决策；
