TRACE：基于有效患者轨迹编码的就诊期间临床事件临近预报
机器学习
2025-04-01 v1
摘要
电子健康记录（EHR）已成为医疗保健领域各种预测任务的宝贵资源。然而，现有方法主要侧重于就诊间事件预测，忽视了就诊期间临近预报的重要性，而后者能够在患者就诊期间提供及时的临床洞察。为了填补这一空白，我们引入了医院就诊期间的实验室测量预测任务。我们研究了以往工作中未被充分探索的实验室数据。我们提出了 TRACE，一种基于 Transformer 的模型，旨在通过编码患者轨迹来进行临床事件临近预报。TRACE 通过一种结合衰减特性和数据周期模式的新型时间戳嵌入，有效处理长序列并捕获时间依赖性。此外，我们引入了用于去噪的平滑掩码，提高了模型的鲁棒性。在两个大规模电子健康记录数据集上的实验表明，所提出的模型显著优于以往方法，凸显了其通过更准确的实验室测量临近预报改善患者护理的潜力。代码可在 https://github.com/Amehi/TRACE 获取。
引用
@article{arxiv.2503.23072,
title = {TRACE: Intra-visit Clinical Event Nowcasting via Effective Patient Trajectory Encoding},
author = {Yuyang Liang and Yankai Chen and Yixiang Fang and Laks V. S. Lakshmanan and Chenhao Ma},
journal= {arXiv preprint arXiv:2503.23072},
year = {2025}
}
备注
Accepted by WWW'25 short paper track