电子健康记录建模综合调查：从深度学习方法到大型语言模型
机器学习
2025-07-18 v1 人工智能
计算与语言
摘要
人工智能（AI）已在通过分析和建模电子健康记录（EHR）来变革医疗保健方面展现出巨大潜力。然而，EHR 数据固有的异质性、时间不规则性和领域特定性质 presents unique 挑战，与视觉和自然语言任务有本质不同。本综述提供了最新进展的全面概述，聚焦于深度学习、大型语言模型（LLM）与 EHR 建模的交叉领域。我们引入了涵盖五个关键设计维度的统一分类法：数据中心方法、神经网络架构设计、学习策略、多模态学习和 LLM-based 建模系统。在每个维度上，我们回顾了代表性方法，解决数据质量提升、结构和时间表示、自监督学习以及与临床知识集成。我们进一步指出了诸如基础模型、LLM 驱动的临床智能体以及 EHR 到文本翻译以支持下游推理等新兴趋势。最后，我们讨论了基准测试、可解释性、临床对齐和在 diverse 临床环境中的泛化等开放挑战。本综述旨在为推进 AI 驱动的 EHR 建模和临床决策支持提供结构化路线图。For a comprehensive list of EHR-related methods, kindly refer to https://survey-on-tabular-data.github.io/.
引用
@article{arxiv.2507.12774,
title = {A Comprehensive Survey of Electronic Health Record Modeling: From Deep Learning Approaches to Large Language Models},
author = {Weijieying Ren and Jingxi Zhu and Zehao Liu and Tianxiang Zhao and Vasant Honavar},
journal= {arXiv preprint arXiv:2507.12774},
year = {2025}
}