非随机模态缺失下多模态 EHR 的因果表示学习

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非随机模态缺失（MMNAR），提出利用已观测数据及缺失模式进行患者表示学习的因果框架，旨在改善临床结局预测。 核心机制包含三部分：MMNAR-aware 模态融合在整合结构化数据、影像和文本时，以缺失模式为条件，捕捉患者健康状态与临床人员驱动的模态分配信息；结合对比学习的模态重建用于促进表示的语义充分性；多任务结局预测中的 rectifier 用于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、损失形式或 rectifier 的具体实现，尚不能确认其因果解释与偏差校正成立的条件。 作者报告，在其对 MIMIC-IV 的分析中，24.5% 的患者没有可用的出院小结。作者报告，在 MIMIC-IV 和 eICU 上的评估相较其所称的最强基线取得一致增益，医院再入院与 ICU 入院任务的提升最高分别为 13.8% 和 13.1%；摘要未说明对应指标、相对提升的计算方式、数据划分及具体基线，因此不能将这些数值解释为 Accuracy 的百分点提升，也不能据此比较跨数据集泛化能力。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若多模态 EEG/BCI 数据的采集或缺失与被试状态、临床安排相关，该框架可能为有信息的缺失模式提供建模思路。该迁移假设依赖同步多模态数据、缺失指示及任务监督；融合与偏差校正思路可借鉴，时序编码和模态重建则需改造。EEG 低信噪比、通道差异及小样本可能削弱重建质量，跨被试的采集流程差异也可能使缺失模式成为不稳定的预测线索。一个可检验的小实验是在固定跨被试划分下，分别设置随机缺失与状态相关缺失，对比普通融合、缺失模式条件融合及加入校正后的预测表现。相关 EEG 工作尚未检索确认。