从电子健康记录与可穿戴数据中学习纵向健康表征
机器学习
2026-01-21 v1
摘要
在电子健康记录上训练的基础模型在许多临床预测任务中表现出色，但受限于稀疏且不规则的记录。可穿戴设备提供了密集连续的生理信号，但缺乏语义基础。现有方法通常分别对这些数据源进行建模，或通过后期融合将它们结合。我们提出了一种多模态基础模型，将电子健康记录和可穿戴数据联合表示为连续时间潜在过程。该模型使用模态特定的编码器和一个共享的时间骨干网络，通过自监督和跨模态目标进行预训练。这种设计产生了时间上连贯且具有临床基础的表征。在预测生理和风险建模任务中，该模型优于仅使用电子健康记录或仅使用可穿戴数据的强基线模型，尤其是在长预测期和缺失数据的情况下。这些结果表明，电子健康记录和可穿戴数据的联合预训练能够产生更忠实的纵向健康表征。
引用
@article{arxiv.2601.12227,
title = {Learning Longitudinal Health Representations from EHR and Wearable Data},
author = {Yuanyun Zhang and Han Zhou and Li Feng and Yilin Hong and Shi Li},
journal= {arXiv preprint arXiv:2601.12227},
year = {2026}
}