ChronoFormer：用于结构化临床事件建模的时间感知Transformer架构
机器学习
2025-04-11 v1 人工智能
摘要
电子健康记录（EHR）数据的时间复杂性给使用机器学习预测临床结果带来了重大挑战。本文提出了ChronoFormer，一种创新的基于Transformer的架构，专门设计用于编码和利用纵向患者数据中的时间依赖关系。ChronoFormer集成了时间嵌入、层次注意力机制和领域特定的掩码技术。在三个基准任务——死亡率预测、再入院预测和长期并发症发作——上进行的大量实验表明，该方法显著优于当前最先进的方法。此外，对注意力模式的详细分析强调了ChronoFormer捕捉临床上有意义的长期时间关系的能力。
引用
@article{arxiv.2504.07373,
title = {ChronoFormer: Time-Aware Transformer Architectures for Structured Clinical Event Modeling},
author = {Yuanyun Zhang and Shi Li},
journal= {arXiv preprint arXiv:2504.07373},
year = {2025}
}