StayLTC：面向医院住院时长预测的高性价比多模态框架
人工智能
2025-04-09 v1
摘要
准确预测医院住院时长（LOS）对于改善医疗服务、资源管理和成本效益至关重要。本文提出了 StayLTC，一个多模态深度学习框架，用于使用液体时常网络（LTCs）进行实时医院 LOS 预测。LTCs 具备连续时间循环动力学特性，本文将其与传统模型进行评估，使用来自电子健康记录（EHRs）和临床笔记的结构化数据。我们的评估在 MIMIC-III 数据集上进行，表明 LTCs 在大多数其他时间序列模型中表现出更好的准确性、鲁棒性和资源利用效率。此外，LTCs 在 LOS 预测中表现出与时间序列大语言模型相当的性能，同时所需的计算资源和内存显著更低，凸显了其在医疗保健领域推动自然语言处理（NLP）任务发展的潜力。
引用
@article{arxiv.2504.05691,
title = {StayLTC: A Cost-Effective Multimodal Framework for Hospital Length of Stay Forecasting},
author = {Sudeshna Jana and Manjira Sinha and Tirthankar Dasgupta},
journal= {arXiv preprint arXiv:2504.05691},
year = {2025}
}
备注
4 pages, 3 figures