基于深度聚类的状态空间模型：改善个性化医疗中的疾病风险预测

基于摘要分析。本文研究如何利用包含非结构化医疗笔记的纵向电子健康记录（EHR）预测疾病风险，提出结合预测性聚类的深度状态空间模型（DSSM），同时建模患者健康状态变化与风险观测。其主要研究对象是临床记录及患者健康状态，而非 EEG 或 BCI 信号。 模型包含三个模块：先验模块依据此前状态生成当前潜在状态的分布；后验模块利用最新医疗笔记近似潜在状态，并通过注意力编码器提取高维非结构化文本信息；似然模块根据潜在状态预测疾病风险。在此基础上，作者引入预测性聚类，将潜在状态划分为多个组，并利用聚类中心的加权平均进行预测，以学习具有临床用途的患者状态表征。摘要未提供具体损失函数、聚类权重计算方式、训练流程或推理细节。 作者报告，在两个真实世界 EHR 数据集上，该方法相较其他基线获得更好的疾病风险预测结果，并能将相似患者健康状态聚为一组。摘要未给出数据集名称、样本规模、划分方式、基线名称或具体指标，因此无法判断提升幅度、泛化范围及聚类的临床解释性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制假设是利用状态转移刻画时序变化，并借助预测性聚类约束潜在表征，而非直接复用医疗文本编码器。若用于 EEG 连续状态解码，需要将后验输入改为信号特征或片段，并明确时间结构与监督目标；低信噪比、跨被试及通道差异可能使聚类主要反映伪迹或个体身份，小数据也可能导致状态估计不稳定。一个可证伪的小实验是在固定 EEG 数据划分下，对比相同状态空间骨干有无预测性聚类的任务表现，并检查聚类是否主要由被试身份驱动。该建议不代表已验证的迁移效果，已有 EEG 相关工作尚未检索确认。