CURENet：用于高效慢性病预测的统一表示集成
人工智能
2025-12-01 v1
摘要
电子健康记录（EHR）旨在合成多种数据类型，包括非结构化临床笔记、结构化实验室检测和时间序列就诊数据。医生会综合运用这些多模态和时序的EHR数据，形成对患者健康的全面认识，这对于做出明智的治疗决策至关重要。然而，大多数预测模型未能充分捕捉跨多种数据模态的相互作用、冗余性和时序模式，常仅关注单一数据类型或忽视这些复杂性。本文提出CURENet（Combining Unified Representations for Efficient chronic disease prediction），一种多模态模型，通过利用大语言模型（LLM）处理临床文本和文本化实验室检测，以及时序性序列访问的变换器编码器，将非结构化临床笔记、实验室检测和患者时间序列数据集成在一起。CURENet 能够捕捉不同形式临床数据的复杂相互作用，构建更可靠的慢性病预测模型。我们在公开的MIMIC-III 数据集和私有的FEMH 数据集上对CURENet 进行了评估，在多标签框架下实现了对前10种慢性病预测的94%以上的准确率。我们的发现凸显了多模态EHR集成在提升临床决策和改善患者预后方面的潜力。
引用
@article{arxiv.2511.11423,
title = {CURENet: Combining Unified Representations for Efficient Chronic Disease Prediction},
author = {Cong-Tinh Dao and Nguyen Minh Thao Phan and Jun-En Ding and Chenwei Wu and David Restrepo and Dongsheng Luo and Fanyi Zhao and Chun-Chieh Liao and Wen-Chih Peng and Chi-Te Wang and Pei-Fu Chen and Ling Chen and Xinglong Ju and Feng Liu and Fang-Ming Hung},
journal= {arXiv preprint arXiv:2511.11423},
year = {2025}
}