潜在因子点过程用于电子健康记录中的患者表征

电子健康记录（EHR）包含宝贵的纵向患者水平信息，但大多数统计方法将EHR代码的不规则时间简化为简单计数，从而丢弃了丰富的时序结构。现有的时序模型往往施加限制性的参数假设，或针对代码层级而非患者层级任务进行设计。我们提出潜在因子点过程模型，将代码发生表示为高维点过程，其条件强度由低维潜在泊松过程驱动。这种低秩结构反映了数千个代码由少数少数底层疾病过程主导的临床现实，并支持在高维空间中实现统计上高效的估计。基于此模型，我们引入傅里叶-特征嵌入（Fourier-Eigen embedding），构建于观察过程谱密度矩阵的患者表征。我们建立理论保证，表明这些嵌入有效捕获下游分类和聚类任务中特定亚群的时序模式。通过仿真和对阿尔茨海默病EHR队列的应用，展示了本方法在发现临床上有意义的异质性方面的实际优势。