BiPETE：面向酒精和药物使用障碍风险评估的双位置嵌入变换编码器

变换器基深度学习模型在使用电子健康记录（EHR）进行疾病风险预测方面显示出前景，但由于不可规则的访问间隔和缺乏统一结构，仍面临建模时间依赖性的挑战。我们提出了一种双位置嵌入变换器编码器（BiPETE），用于单疾病预测，将旋转位置嵌入用于编码相对访问时间，将正弦嵌入用于保留访问顺序。无需依赖大规模预训练，BiPETE 在来自两种精神健康队列（抑郁症和创伤后压力障碍，PTSD）的 EHR 数据上进行训练，用于预测酒精和药物使用障碍（ASUD）的风险。BiPETE 在抑郁症和 PTSD 队列中分别将 AUPRC 提升了 34% 和 50%。消融研究进一步确认了双位置编码策略的有效性。我们应用 Integrated Gradients 方法解释模型预测，识别出与 ASUD 风险和保护相关的关键临床特征，包括异常炎症、血液学和代谢标记物，以及特定药物和合并症。总体而言，这些由归因方法识别的关键临床特征有助于深入理解风险评估过程，为减轻潜在风险提供有价值的线索。总之，我们的研究提出了一种实用且可解释的疾病风险预测框架，可使用 EHR 数据实现卓越的性能。