FlatASCEND：具有连续时间预测和基于关联的药理学测试的自回归临床序列生成

自回归模型可以预测临床事件，但生成对干预标记做出反应的患者条件多步骤轨迹并测试这些反应是否保留已知的药理学关联受到的关注有限。我们提出了 FlatASCEND，这是一个使用平面复合标记和零膨胀对数正态时间头的 1450 万参数自回归临床序列模型。标准分布指标（Jaccard 0.889-0.954）无法区分 FlatASCEND 和普通基线；该模型的价值在于根据患者特定的前缀进行有条件的生成。即时洗牌消融显示，患者特异性调节放大了机械药理作用（类固醇对葡萄糖的作用为 2.0-2.2 倍，利尿剂对钾的作用），同时保持混杂驱动的关联不变（胰岛素对葡萄糖的作用为 0.9 倍）。事件用户框架根据 MIMIC-IV 的先前药理学知识评估方向一致性（每次比较 N=500）：4/10 恢复正确的机械方向，2 重现治疗背景关联，4 不正确（9/10 显着，Wilcoxon p<0.05）。这种模式（残余混杂下的部分恢复）与习得的观察关联一致，没有因果区分。使用替代奖励的直接偏好优化破坏了所有正确的关联（3/3 到 0/3），说明了当奖励和评估共享结果域时的奖励利用。短期 ICU 数据的生成证据最为有力；门诊时间保真度较弱（INSPECT 的中位时间为 10 天与 154 天），并且零样本跨站点传输会在不适应的情况下降级。