论文
EHR-RAGp：用于临床预测模型的纵向电子健康记录原型引导检索
EHR-RAGp: Prototype-Guided Retrieval of Longitudinal Electronic Health Records for Clinical Prediction Models
摘要
电子健康记录 (EHR) 包含丰富的纵向患者信息，广泛用于预测建模应用。然而，由于长轨迹、异质事件、时间不规则性以及过去临床背景的不同相关性，有效利用历史数据仍然具有挑战性。现有方法通常依赖于固定窗口或统一聚合，这可能会掩盖临床上重要的信号。在这项工作中，我们引入了 EHR-RAGp，这是一种基于检索的框架，可动态集成由不同临床事件类型组成的最相关的患者病史。我们提出了一个原型引导的检索模块，该模块充当对齐机制，并估计检索到的历史块与给定预测任务的相关性，从而引导模型走向信息最丰富的上下文。在多个临床预测任务和两个基准数据集上，EHR-RAGp 始终优于最先进的基于 EHR 和基于 Transformer 的基线。此外，EHR-RAGp 与模型无关，因为将其与各种骨干模型集成可以带来显着的性能提升。总体而言，EHR-RAGp 为远程临床环境建模建立了一个新的方向，以通过检索提高下游性能。