PRIME：面向不规则多模态电子健康记录的患者病情表征预训练

基于摘要分析。该研究针对电子健康记录（EHRs）中监测数据与临床记录的多模态、时间不规则及标签稀缺问题，提出自监督预训练模型 PRIME，利用未标注 EHRs 学习患者病情表征。研究对象是临床 EHRs，而非 EEG 或 BCI 信号。 机制上，PRIME 首先通过多元素编码模块，从两种模态提取患者病情快照；随后使用结合时间感知与特征感知组件的病情对齐模块，将快照映射至对齐时间戳，构造覆盖治疗过程的跨模态正样本对。为兼顾模态间关联与模态特有信息，模型通过约束矩阵分离共享信息，再以跨模态对比学习建模共享信息、以模态内重建学习保留完整信息。其主要方法价值在于联合处理不规则时间对齐与多模态信息保留，而非仅进行单模态预训练或规则采样数据建模。 作者报告，在两个真实世界任务上，PRIME 优于所比较的先进模型，尤其在标签有限时表现更好。摘要未提供任务与数据集名称、样本规模、划分方式、指标、具体数值或基线配置，因此不能判断优势幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 与临床文本或其他监测数据存在异步采样，该方法的时间对齐及共享／模态特有信息分离机制可能具有参考价值。迁移假设依赖可靠时间戳与可匹配的多模态记录；EEG 编码和重建目标需重新设计，不能直接沿用 EHR 表征。低信噪比、跨被试差异、通道配置变化及小样本可能使对齐结果不稳定。一个可检验的小实验是在具备同步参考的配对数据中人为引入时间偏移，在固定跨被试划分与标签预算下，对比启用和关闭对齐模块的下游表现，并检查模态内重建是否保留任务相关信号。已有 EEG 相关工作尚未检索确认。