诺亚：学习完整的患者旅程。用于表示和预测的纵向多模态时间感知模型

医疗保健的数字化在一生中产生了大量、纵向和多模式的患者记录，但充分利用这些数据来表示和预测患者状态轨迹仍然是一个严峻的挑战。当前的人工智能模型通常难以捕捉现实世界多模式患者数据的复杂、不规则的时间动态和固有的随机性。现有的用于对纵向患者记录进行建模的人工智能方法主要是歧视性的，仅限于几种模式，受到封闭分类词汇的限制，将时间视为单调归纳偏差，或者在预测未来患者状态方面受到限制。我们推出 NOAH，这是一个时间感知、任务无关的生成式 Transformer 模型，代表和预测完整的多模式患者旅程。 NOAH 具有新颖的双向时间积分和变分潜在空间，以捕获患者状态的持续演变和临床轨迹的随机性。 NOAH 基于 MIMIC 数据集系列中 299,000 名患者的 431,000 次医院就诊的超过 5.59 亿个临床事件构建，可以本地处理医学图像、时间序列和数字信号、分类事件以及结构化和非结构化临床记录。 NOAH 是该领域第一个真正的整体生成模型，可通过可选的时间控制、零样本分类和反事实干预模拟来实现自回归预测。它生成信息丰富且具有预测性的患者状态表示，在探索临床结果、15 个 ICD 章节和 29 种合并症以及事件发生时间预测方面表现出强大的性能。 NOAH 无缝处理不同的模式和复杂的时间动态，为个性化临床护理和数字医学中的智能预测系统提供了多功能、任务无关、可扩展的基础。