CEHR-XGPT：面向电子健康记录的可扩展多任务基础模型
机器学习
2025-09-08 v2 人工智能
摘要
电子健康记录（EHR）提供了患者健康的丰富、纵向视角，具有显著潜力用于推进临床决策支持、风险预测和数据驱动的医疗研究。然而，大多数针对EHR的人工智能模型设计用于狭窄、单一用途任务，限制了其在实际场景中的通用性和实用性。本文提出CEHR-XGPT，一个通用EHR数据基础模型，将特征表示、零样本预测和合成数据生成三项核心能力统一于单一架构。为支持对临床序列的时间推理，CEHR-XGPT采用 novel time-token-based learning framework，显式地将患者的动态时间线编码到模型结构中。CEHR-XGPT在所有三项任务上均表现出色，并能通过词汇表扩展和微调有效地泛化到外部数据集。其灵活性使快速模型开发、队列发现和患者结果预测成为可能，无需针对特定任务进行重新训练。
引用
@article{arxiv.2509.03643,
title = {CEHR-XGPT: A Scalable Multi-Task Foundation Model for Electronic Health Records},
author = {Chao Pang and Jiheum Park and Xinzhuo Jiang and Nishanth Parameshwar Pavinkurve and Krishna S. Kalluri and Shalmali Joshi and Noémie Elhadad and Karthik Natarajan},
journal= {arXiv preprint arXiv:2509.03643},
year = {2025}
}