TrajGPT：健康轨迹的不规则时间序列表征学习

基于摘要分析。该研究针对门诊就诊间隔不规则、等间隔序列模型难以直接适配的问题，提出 Trajectory Generative Pre-trained Transformer（TrajGPT），学习纵向医疗时间序列的健康轨迹表征。其核心贡献是通过 Selective Recurrent Attention（SRA）和离散化常微分方程（ODE）框架，建模连续时间动态，并直接预测任意指定目标时间点，而不依赖自回归逐步预测。 机制上，SRA 使用数据依赖的衰减，自适应过滤无关历史信息；ODE 视角则为不规则采样下的时间特异性推理提供建模基础。摘要未披露衰减函数、时间间隔的具体编码方式、训练目标及预训练流程，尚不能据此确定其实现与计算开销。 作者报告，在蒙特利尔医疗系统的纵向 EHR 数据 PopHR 与 PhysioNet 的 eICU 上，TrajGPT 在疾病预测、药物使用预测和脓毒症检测中表现出更优的零样本性能，但摘要未给出具体指标、比较基线及零样本评估划分。作者还报告，糖尿病与心脏病患者的推断轨迹呈现有意义的共病状况；这不等同于临床有效性已获验证。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务以不规则事件或跨会话观测序列为输入，时间感知衰减与指定时间点推理可能具有借鉴价值；假设是观测间隔携带可利用的状态演化信息，而非仅反映采集流程。可复用时间建模模块，但需改造医疗事件输入为 EEG 特征，并适配监督目标。低信噪比、被试差异、通道缺失及小样本可能使衰减机制错误丢弃有效信号。一个可检验的小实验是在固定 Cross-subject 划分的不规则采样 EEG 特征序列上，比较 TrajGPT、无时间信息对照及固定衰减对照，核对性能变化是否确由时间建模带来。原领域结果不代表 BCI 有效，已有 EEG 相关工作尚未检索确认。