BiteNet：用于预测医疗结果的双向时间编码网络

电子健康记录（EHRs）是患者与医疗系统交互的纵向记录。患者的EHR数据自上而下组织为三级层次结构：患者历程——一段时间内诊断和治疗的全部经历；单次就诊——某次特定就诊中的一组医疗代码；以及医疗代码——以医疗代码形式存在的特定记录。随着EHR积累至数百万量级，这些数据可能为医学研究和医疗结果预测带来的潜在益处令人惊叹——包括例如预测未来住院、诊断疾病或确定治疗疗效。这些分析任务均需要一种领域知识提取方法，将层次化的患者历程转换为向量表示以用于后续预测流程。这些表示应当嵌入带有特定时间戳的就诊序列和医疗代码集合，这对任何下游预测任务都至关重要。因此，具有强表达力的表示有助于提升学习性能。为此，我们提出了一种新颖的自注意力机制，以捕获患者医疗历程中的上下文依赖和时间关系。随后，一个端到端的双向时间编码网络（BiteNet）仅基于所提出的注意力机制来学习患者历程的表示。我们在一个真实世界的EHR数据集上，通过两个有监督预测任务和两个解监督聚类任务评估了方法的有效性。实证结果表明，所提出的BiteNet模型比最先进的基线方法生成了更高质量的表示。