非随机模态缺失下多模态 EHR 的因果表征学习

基于摘要分析。该研究针对多模态电子健康记录（EHR）中由临床决策驱动的模态非随机缺失（MMNAR），提出同时利用已观测数据与缺失模式的因果表征学习框架，以改善患者表征和临床结局预测。 框架包含三个组件：MMNAR-aware 模态融合在缺失模式条件下整合结构化数据、影像与文本，以捕捉患者健康状态及临床决策驱动的模态分配；模态重建结合对比学习，旨在保证表征的语义充分性；多任务结局预测配合 rectifier，校正特定模态观测模式带来的残余偏差。摘要未给出因果图、识别假设、具体损失或校正器实现，因此尚不能确认其如何区分健康状态与观测选择机制。 作者报告，在其 MIMIC-IV 数据分析中，24.5% 的患者没有可用的出院小结；在 MIMIC-IV 与 eICU 的评估中，相对所比较的最强基线，医院再入院和 ICU 入院预测分别取得最高 13.8% 和 13.1% 的改善。摘要未明确这些改善对应的指标、计算方式、具体数据集及划分，不能将其解释为 Accuracy 的百分点提升。实验协议、消融及统计信息尚未验证，复现还需核对各模态可用性定义、结局预测时间窗和缺失机制假设。 平台推测（待验证）：其机制可能适用于模态可用性与患者状态或采集决策相关的多模态 EEG 研究，但原领域有效不等于 BCI 有效。可尝试复用缺失模式条件化融合与偏差校正思路，需改造 EEG 编码和模态重建模块，并具备多模态观测、缺失标记及结局监督。低信噪比、跨被试与通道差异、小数据，以及采集流程变化，都可能使缺失模式成为不稳定的捷径。一个可检验的小实验是在固定跨被试划分下，对照随机缺失与状态相关缺失，比较加入和不加入缺失模式条件化的同一融合模型，并测试缺失机制改变后的性能。相关 EEG 工作尚未检索确认。