小规模纵向队列的验证合成患者生成：妊娠期凝血动力学
机器学习
2026-04-10 v1 定量方法
摘要
小规模纵向临床队列在母婴健康、罕见疾病和早期试验中常见，限制了计算建模：患者数量不足以训练可靠模型，而扩充人群需要更多的样本又昂贵且耗时。我们提出了基于现代Hopfield网络理论的加权随机注意（multiplicity-weighted Stochastic Attention, SA）生成框架，以解决这一问题。SA将真实患者轮廓作为连续能量景观中的记忆模式，通过拉格朗日动力学生成新合成患者，在存储的模式之间进行插值，同时保持原始队列的几何结构。按模式的重复次数加权，使我们能够在推断时针对性地放大罕见临床亚群，无需重新训练。在我们应用于23名妊娠期患者的纵向凝血数据集上的应用中，该数据集包含72个生化特征，跨越3次访问（妊娠前基线、第一孕期和第三孕期），包括多囊卵巢综合征和妊娠期高血压等罕见亚群。SA生成的合成患者在多个独立验证测试中与真实患者在统计、结构和机制上无异，包括凝血级联的常规微分方程模型。进一步的下游效用测试显示，完全基于合成患者校准的机制模型对真实患者的预测效果不逊于基于真实数据的模型。这些结果表明，SA能够从极小的纵向数据集中产生临床上有用的合成队列，使数据增强建模在小队列场景中成为可能。
关键词
引用
@article{arxiv.2604.07557,
title = {Validated Synthetic Patient Generation for Small Longitudinal Cohorts: Coagulation Dynamics Across Pregnancy},
author = {Jeffrey D. Varner and Maria Cristina Bravo and Carole McBride and Thomas Orfeo and Ira Bernstein},
journal= {arXiv preprint arXiv:2604.07557},
year = {2026}
}