FlatASCEND：基于连续时间预测和关联性药理学测试的自回归临床序列生成
机器学习
2026-05-07 v1 人工智能
定量方法
摘要
自回归模型可预测临床事件，但针对从患者条件前缀生成并响应干预标记的多步轨迹，以及检验这些响应是否保留已知药理学关联的研究有限。我们提出 FlatASCEND，一个参数为 14.5 百万的自回归临床序列模型，采用平面复合标记和零膨胀对数正态时间头。标准分布度量（Jaccard 0.889-0.954）无法将 FlatASCEND 与平凡基线区分开来；模型价值在于从患者特定前缀进行条件生成。prompt-shuffle 消除实验证明，患者特定条件可放大机制性药理效应（steroid 至 glucose、diuretic 至 potassium 均为 2.0-2.2 倍），而保持混杂驱动的关联不变（insulin 至 glucose 为 0.9 倍）。incident-user 框架在 MIMIC-IV（每组 500 个样本）上评估了方向一致性：4/10 恢复正确的机制方向，2 个再现治疗-上下文关联，4 个错误（9/10 显著，Wilcoxon p<0.05）。这种模式——在残余混杂下部分恢复——与学习观察关联而不区分因果关系相一致。直接偏好优化搭配代理奖励会破坏所有正确关联（3/3 变为 0/3），说明在奖励与评估共享同一结果领域时的奖励利用。生成证据最强烈的来自短时段 ICU 数据；门诊时间保真度较弱（INSPECT 中中位数为 10 天 vs 154 天），且零样本跨站点迁移在无适配时会降级。
引用
@article{arxiv.2605.04071,
title = {FlatASCEND: Autoregressive Clinical Sequence Generation with Continuous Time Prediction and Association-Based Pharmacological Testing},
author = {Chris Sainsbury and Feng Dong and Andreas Karwath},
journal= {arXiv preprint arXiv:2605.04071},
year = {2026}
}
备注
22 pages, 2 figures, 12 tables