利用信息丰富的缺失性对多模态临床时间序列进行动态表征与策略学习
机器学习
2026-04-24 v1 计算与语言
统计方法学
摘要
多模态临床记录包含随时间记录的结构化测量值和临床笔记，提供了关于患者健康演变的丰富时序信息。然而，这些观测值稀疏，是否记录取决于患者的潜在状态。观察模式也因不同模态而异，因为结构化测量值和临床笔记的记录过程是不同的。虽然已有研究发展出容纳临床时间序列缺失性的方法，但如何提取并利用由观察过程本身所携带的信息仍未得到充分探索。因此，我们提出了一个针对多模态临床时间序列的患者表征学习框架，显式地利用信息丰富的缺失性。该框架结合了 (1) 捕捉结构化数据和文本数据及其观察模式的多模态编码器、(2) 基于贝叶斯滤波器对来自观察的多模态信号随时间更新潜在患者状态的模块、(3) 基于所学患者状态进行离线治疗政策学习和患者结局预测的下游模块。我们在来自 MIMIC-III、MIMIC-IV 和 eICU 的 ICU 败血症队列上对该框架进行评估。它在离线治疗政策学习和不良结局预测方面均取得改进，MIMIC-III 上分别实现了 FQE 为 0.679（相对于临床医生行为的 0.528）和术后 72 小时死亡预测的 AUROC 为 0.886。
引用
@article{arxiv.2604.21235,
title = {Learning Dynamic Representations and Policies from Multimodal Clinical Time-Series with Informative Missingness},
author = {Zihan Liang and Ziwen Pan and Ruoxuan Xiong},
journal= {arXiv preprint arXiv:2604.21235},
year = {2026}
}
备注
Findings of ACL 2026 (30 pages)