PaReGTA：LLM 患者表征框架在偏头痛队列评测
热点事件持续更新
PaReGTA：LLM 患者表征框架在偏头痛队列评测
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Kihyuk Yoon 等作者提交预印本，提出基于 LLM 的患者表征框架 PaReGTA：把纵向 EHR 事件转成带显式时间线索的就诊级模板文本，用轻量对比微调学习就诊嵌入，再经混合时间池化（兼顾近期与全局信息就诊）聚合为固定维度患者表征，可直接供常规下游机器学习模型使用。 作者在 All of Us 研究计划的 39,088 名偏头痛患者队列上做回顾性患者级分类评测；在 7,818 人的固定留出测试集中，作为事后分析参照的 PaReGTA-Gap + LightGBM 报告了所评估的稀疏方法、基于 BERT 的 EHR 方法和循环方法中最高的 AUC、准确率和 F1。该比较为探索性，上述指标来自作者自述，尚未经独立验证。
AI 根据报道生成 · 48 分钟前更新
最新进展10月9日 12:00
PaReGTA：面向 EHR 分析的时间感知 LLM 患者表征框架报道时间线
沿着报道，了解事件的不同侧面。
10月9日
- arXiv：cs.LGPaReGTA：面向 EHR 分析的时间感知 LLM 患者表征框架
PaReGTA 是一个基于 LLM 的编码框架，将纵向 EHR 事件转为带显式时间线索的就诊级模板文本，经轻量对比微调学习就诊嵌入向量，并用混合时间池化聚合为固定维度患者表征。在 All of Us 研究计划 39,088 名偏头痛患者队列上，PaReGTA-Gap + LightGBM 在 7,818 人固定留出测试集中取得的 AUC、准确率和 F1 为所评估方法中最高。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。