ReTAMamba：基于Mamba的可靠性感知时序聚合用于不规则临床时间序列预测

临床时间序列数据因不规则采样、频繁的缺失值以及变量之间异构的观察模式，难以用为规则序列设计的方法进行建模。现有方法常用观察掩码和时间间隔信息，但未能持续捕捉过去观察的可靠性衰减，或在聚合过程中始终在连贯的时序上下文中组织多分辨率信息。为解决这些限制，我们提出Reliability-aware Temporal Aggregation with Mamba（ReTAMamba），将临床时间序列重构为时变token序列，从缺失情况和已过去时间估计观察可靠性，并用统计描述符增强区间摘要。采用Chronological Weaving将短期和长期时序信息整合到连贯的时序上下文中，并应用预算化token路由以限制序列长度，同时保留信息丰富的摘要。在MIMIC-IV、eICU和PhysioNet 2012上进行实验，ReTAMamba在AUPRC上均优于强大基线，分别实现了7.51%、7.80%和10.15%的相对提升。eICU上的队列层面和患者层面的分析进一步表明，所学习的均值衰减对于更动态的信号（如心率和血压）比相对静态的信号（如实验室检测变量）大约高出24.3%。这些发现表明，有效地对不规则临床时间序列进行预测需要建模的不仅是测量了什么，还要包括何时测量以及如何观察，包括信息新鲜度和观察时效性。