面向增强电子健康记录建模的时间感知注意力机制
机器学习
2025-07-22 v1
摘要
电子健康记录（EHR）包含有价值的临床信息，用于预测患者结局并指导医疗决策。然而，有效地对电子健康记录（EHR）进行建模需要解决数据异构性和复杂的时间模式问题。标准方法往往难以处理临床事件之间不规则的时间间隔。我们提出了TALE-EHR，一种基于Transformer的框架，采用新颖的时间感知注意力机制，显式建模连续时间间隔，以捕捉细粒度的序列动态。为补充这一时间建模与稳健语义，TALE-EHR利用来自标准化代码描述的嵌入，这些嵌入源自预训练的大型语言模型（LLM），为理解临床概念提供了强大的基础。在MIMIC-IV和PIC数据集上的实验表明，我们的方法在疾病进程预测等任务上超越了最先进的基线方法。TALE-EHR凸显了将显式连续时间建模与强语义表示相结合的优势，为推动EHR分析提供了强大的解决方案。
引用
@article{arxiv.2507.14847,
title = {Time-Aware Attention for Enhanced Electronic Health Records Modeling},
author = {Junhan Yu and Zhunyi Feng and Junwei Lu and Tianxi Cai and Doudou Zhou},
journal= {arXiv preprint arXiv:2507.14847},
year = {2025}
}