弥合电子病历鸿沟：跨国医疗代表转移的不对称对比学习

纵向电子健康记录 (EHR) 表示的跨系统传输具有挑战性，因为不同机构和国家/地区的临床编码、患者群体和医疗保健工作流程存在很大差异。我们引入了非对称监督对比学习（Ametry SupCon），这是一种由负面临床结果的异质性激发的特定任务训练前目标。目标聚类患者共享一个目标积极结果，但没有明确地吸引彼此的消极轨迹。我们根据台湾国民健康保险研究数据库 (NHIRD) 中 398 万患者的纵向记录对时间 Transformer 编码器进行预训练，并将其传输到两个美国 EHR 数据集 MIMIC-IV 和 EHRSHOT。混合语义映射管道将直接映射与基于嵌入的检索相结合，可以跨异构临床词汇进行传输。在 MIMIC-IV 上，NHIRD pre-训练持续改进随机初始化，同时大幅缩小与特定任务域内 pre-训练的性能差距。在 EHRSHOT 上，转移模型在事件疾病预测方面表现出特别强大的少样本性能。受控目标消融显示，非对称 SupCon 在四项评估任务中的三项上实现了最佳 AUPRC，在第四项上比标准 SupCon 低 0.003 AUPRC。这些结果支持不对称对比 pre-训练作为特定任务跨国 EHR 表示转移的有效方法。代码可在 https://github.com/qingYzhang/Asymmetric_SupCon. 获取