基于多尺度时间对齐的临床风险预测：面向电子健康记录的机器学习方法

本研究提出一种基于多尺度时间对齐网络（MSTAN）的风险预测方法，以解决电子健康记录（EHR）中时间不规则性、抽样间隔差异和多尺度动态依赖性的挑战。该方法聚焦于时间序列特征建模，通过引入可学习的时间对齐机制和多尺度卷积特征提取结构，联合建模EHR序列中的长期趋势和短期波动。在输入层，模型将多源临床特征映射到统一的高维语义空间，并采用时间嵌入和对齐模块动态加权不规则采样的数据，减少时间分布差异对模型性能的影响。随后，多尺度特征提取模块通过多层卷积和层次融合，捕获不同时间粒度上的关键模式，实现对患者状态的细粒度表征。最后，采用注意力机制进行聚合，将全局时间依赖性整合，以生成用于疾病风险预测和健康状态评估的个体水平风险表征。在公开可用的EHR数据集上进行的实验表明，所提出的模型在准确率、召回率、精确率和F1分数等指标上均优于主流基线，证明了在复杂医学时间序列分析中，多尺度时间对齐的有效性和鲁棒性。该研究为智能表示高维非同步医疗序列提供了新解决方案，为EHR驱动的临床风险预测提供了重要技术支持。