DT-Transformer：用于真实世界医疗系统中疾病轨迹预测的基础模型
机器学习
2026-05-15 v1 计算与语言
摘要
准确的疾病轨迹预测对于早期干预、资源分配和改善长期预后至关重要。虽然电子健康记录（EHRs）在临床环境中提供了患者健康的丰富纵向视图，但在精选研究队列上训练的模型可能无法反映常规部署环境，而在单医院数据集上训练的模型仅能捕捉每位患者轨迹的片段。这凸显了利用大型多医院医疗系统进行训练和验证以更好地反映真实世界临床复杂性的重要性。在这项工作中，我们开发了 DT-Transformer，这是一个在 Mass General Brigham (MGB) 的 170 万患者的 5710 万条结构化 EHR 条目上训练的基础模型，涵盖 11 家医院和广泛的门诊诊所网络。DT-Transformer 在留出验证和前瞻性验证设置中均实现了强大的区分能力。下一事件预测在 896 个疾病类别中实现了 0.871 的中位年龄和性别分层 AUC，所有类别的 AUC 均超过 0.5。这些结果支持将医疗系统规模训练作为构建适用于真实世界临床预测的基础模型的途径。
引用
@article{arxiv.2605.14227,
title = {DT-Transformer: A Foundation Model for Disease Trajectory Prediction on a Real-world Health System},
author = {Yunying Zhu and Andrew R Weckstein and Kueiyu Joshua Lin and Jie Yang},
journal= {arXiv preprint arXiv:2605.14227},
year = {2026}
}
备注
Work in Progress