图增强框架发现疾病轨迹并排序新颖性

Jin-Jia Zheng 与 Vincent S. Tseng 提出一个基于纵向电子健康记录（EHR）的图增强框架，用于发现疾病轨迹并预测时间终点。团队在 MIMIC-IV v3.1 数据集上开发该框架，构建了包含 99,527 个分支模体的目录。其设计包括先拆分患者再构建图、仅用训练集学习连续入院转移，并在验证数据上选取终点特异性分支模体策略后将其冻结，研究称这些做法用于避免数据泄漏并固定预测策略。 在此基础上，两位作者又提出一个两级框架，对这 99,527 个已发现的分支模体做临床新颖性优先排序，把路径级与节点到终点语义稀疏度同可靠性校正后的临床优先级分开，并将每个模体的三种确定性文本化用 BAAI/bge-small-en-v1.5 嵌入、对照 166,972 篇 2023 年前 PubMed 文献校准。据报道，该上游流程采用患者拆分、仅训练集学习和基于验证的目录选择。这是研究方对框架设计的说明，并非已证实的效果。

AI 根据报道生成 · 1 小时前更新

1. 10月15日 12:00 · 1 篇报道
   图增强疾病轨迹发现与时间终点预测研究
   arXiv：cs.LG：基于图增强的纵向EHR疾病轨迹发现与时间终点预测
2. 10月15日 12:00 · 1 篇报道
   发布疾病轨迹临床新颖性双层优先排序框架
   arXiv：cs.LG：面向纵向电子健康记录疾病轨迹的两级临床新颖性优先级框架

还没有足够的连续观测数据，暂不绘制趋势。