基于临床点云的多级不完整多模态 EHR 住院死亡风险预测范式

基于深度学习的多模态电子健康记录（EHR）建模已成为临床诊断和风险预测的重要方法。然而，由于多样化的临床工作流程和隐私限制，原始 EHR 本质上存在多级不完整性，包括不规则抽样、缺失模态和稀疏标签。这些问题导致时间错位、模态不平衡和有限监督。大多数现有多模态方法假设数据相对完整，即使为不完整性设计的方法也通常仅在孤立情况下解决一个或两个问题。结果是，这些方法常依赖刚性的时间/模态对齐或放弃不完整数据，从而可能扭曲原始临床语义。为此，我们提出HealthPoint（HP），一种用于多级不完整 EHR 的统一临床点云范式。HP 将异构临床事件表示为连续四维空间（内容、时间、模态、病例）中的点。为建模任意点对之间的相互作用，我们引入低秩关系注意力机制，高效地捕获这四个维度上的高阶依赖。我们进一步开发了分层相互作用和抽样策略，以平衡细粒度建模和计算效率。在此框架下，HP 实现了灵活的事件级相互作用和细粒度自监督，支持鲁棒的模态恢复和有效利用无标签数据。大规模 EHR 数据集上的实验表明，HP 在风险预测上持续实现最先进的性能，并在不同程度的不完整性下表现出强大的鲁棒性。