基于时序-层次因果建模与共轨校准的临床风险预测 (THCM-CAL)

从电子健康记录（EHRs）中自动化临床风险预测要求同时建模结构化诊断代码和非结构化叙述性笔记。然而，现有大多数方法要么将这些模态分开处理，要么依赖简单地融合策略，忽略叙述观察诱发诊断并在不同住院间传播风险的方向性、层次性因果相互作用。在本文中，我们提出了THCM-CAL（Temporal-Hierarchical Causal Model with Conformal Calibration），一种时序-层次因果模型及共轨校准。我们的框架构建了一个多模态因果图，其中节点代表来自两种模态的临床实体：从笔记中提取的文本命题和映射到文本描述的ICD编码。通过层次化因果发现，THCM-CAL推断出三种临床上依据的相互作用： intra-slice 同模态排序、intra-slice 跨模态触发器，以及inter-slice 风险传播。为增强预测可靠性，我们将共轩预测扩展到多标签ICD编码，在复杂共现情况下校准每个代码的置信区间。在MIMIC-III和MIMIC-IV上的实验结果表明，THCM-CAL的优越性。