利用Transformer霍克斯过程建模患者护理轨迹
机器学习
2026-04-08 v1 定量方法
摘要
患者医疗利用由时间戳不规则的事件组成，如门诊就诊、住院和急诊就诊，形成个体化的护理轨迹。建模这些轨迹对于理解利用模式和预测未来护理需求至关重要，但因时间不规则性和严重类别不平衡而具有挑战性。在本工作中，我们基于Transformer霍克斯过程框架，在连续时间中建模患者轨迹。通过结合Transformer历史编码与霍克斯过程动力学，该模型捕捉事件依赖性并联合预测事件类型和事件发生时间。为应对极端不平衡，我们引入了一种感知不平衡的训练策略，采用逆平方根类别加权。这提高了对罕见但临床重要事件的敏感度，而不改变数据分布。在真实数据上的实验展示了性能提升，并提供了识别高风险患者群体的临床上有意义的见解。
引用
@article{arxiv.2604.05844,
title = {Modeling Patient Care Trajectories with Transformer Hawkes Processes},
author = {Saumya Pandey and Varun Chandola},
journal= {arXiv preprint arXiv:2604.05844},
year = {2026}
}