基于时空语境的临床语言处理早期风险预测
计算与语言
2026-05-08 v2
摘要
电子健康记录中的临床笔记捕获了关于事件、医生推理和生活方式因素的丰富时序信息，这些因素往往缺失于结构化数据中。将其用于预测建模对于及时识别慢性病具有重要意义。然而，这些数据呈现了自然语言处理的核心挑战：文本长度长、事件分布不规则、复杂的时序依赖、隐私限制和资源限制。我们提出两种互补的方法，用于从纵向笔记中进行时序和语境化的风险预测。首先，我们引入了层次化时序图神经网络 (HiTGNN)，整合了笔记内时序事件结构、跨访问动态和医学知识，以实现细粒度时序粒度的患者轨迹建模。其次，我们提出了轻量级测试时框架 ReVeAL，将 LLM 的推理蒸馏到更小的验证模型中。应用于来自私营和公共医院语料库的时序合理性队列进行的 Type 2 糖尿病 (T2D) 机会性筛查时，HiTGNN 在预测准确性方面取得最高水平，尤其擅长近期风险预测，同时保持隐私并减少对大型专有模型的依赖。ReVeAL 提高了对真实 T2D 案例的灵敏度，保留解释性推理。我们的消融实验确认了时序结构和知识增强的价值，公平性分析显示 HiTGNN 在亚群中表现更公平。
引用
@article{arxiv.2511.22038,
title = {Early Risk Prediction with Temporally and Contextually Grounded Clinical Language Processing},
author = {Rochana Chaturvedi and Yue Zhou and Andrew D. Boyd and Brian T. Layden and Mudassir Rashid and Lu Cheng and Ali Cinar and Barbara Di Eugenio},
journal= {arXiv preprint arXiv:2511.22038},
year = {2026}
}