DyGraphTrans：基于电子健康记录建模疾病进展的时序图表示学习框架

基于摘要分析。该研究面向电子健康记录（EHR）中的疾病进展与早期死亡预测，提出 DyGraphTrans，将纵向患者记录表示为时序图序列，以联合建模患者间相似性和临床状态的时间演变，并兼顾计算效率与可解释性；其主要研究对象不是 EEG 或 BCI。 在图表示中，节点对应患者，节点特征编码随时间变化的临床属性，边表示患者相似性。框架同时建模局部时间依赖与长程全局趋势，并采用滑动窗口减少内存消耗。摘要未说明相似性度量、图更新规则、具体网络结构、损失函数，以及窗口如何保留长期信息，这些机制细节尚未验证。 作者报告，在 Alzheimer’s Disease Neuroimaging Initiative（ADNI）和 National Alzheimer’s Coordinating Center（NACC）上评估疾病进展预测，在 MIMIC-IV 上评估早期死亡预测，并在多个动态图库基准上检验泛化能力；作者报告各数据集上具有较强预测表现，解释结果与已知临床风险因素一致。摘要未提供具体指标、数据划分、对照基线或资源消耗数值，因此无法量化准确性与效率的权衡，也不能据此确认跨数据集泛化。实验协议、消融及统计信息尚未验证。材料提供了代码与数据入口，但可访问性、数据获取条件及复现完整性尚未核验。 平台推测（待验证）：若 EEG 任务具有多时间点随访和可比较的被试级特征，可假设将被试视为节点，探索相似性图与时间窗口是否有助于纵向状态预测。可复用的是时序图组织与窗口化处理思路；需改造 EEG 特征编码、相似性度量及任务输出。低信噪比、跨被试差异、通道不一致和小样本可能使图边不稳定。一个可检验的小实验是在固定被试独立划分下，对比仅用个体时间特征、加入患者相似性图及加入滑动窗口的方案，同时记录任务指标与峰值内存；这不代表已验证的 EEG 效果，相关 EEG 工作尚未检索确认。