MPRE：用于疾病预测的多视角患者表征提取器

基于摘要分析。本文研究基于电子健康记录（EHR）的患者表征学习，提出 Multi-perspective Patient Representation Extractor（MPRE），通过联合提取动态特征的趋势、变化及其关联来支持疾病预测；研究对象是患者就诊记录，而非 EEG 或 BCI 信号。 机制方面，Frequency Transformation Module（FTM）在时频域提取动态特征的趋势与变化信息。2D Multi-Extraction Network（2D MEN）基于趋势和变化构造二维时间张量，并使用作者提出的扩张操作捕获二者的关联。First-Order Difference Attention Mechanism（FODAM）则自适应计算相邻变化之差对疾病诊断的贡献。摘要同时将稀疏就诊记录列为研究动机，但各模块如何具体缓解稀疏性，仍需核对全文。 作者报告，在两个真实世界公开数据集的疾病预测实验中，MPRE 的 AUROC 和 AUPRC 优于所比较的先进基线方法。摘要未提供数据集名称、样本规模、划分方式、具体分数及基线配置，因而不能据此判断提升幅度或不同协议下的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：趋势—变化联合建模可能用于探索 EEG 中慢变背景与局部动态的关联，但这是迁移假设，不是本文已验证的结论。原方法依赖 EHR 动态特征与疾病预测监督，其采样结构、特征语义及数据规模尚未明确；迁移时需改造时频表示、二维张量构造与预测目标。EEG 的低信噪比、通道差异及跨被试变化可能使差分注意力突出伪迹，小数据也可能增加过拟合风险。一个可证伪的小实验是在固定的 EEG 跨被试划分下，对比基础编码器与逐步加入趋势—变化表示、关联建模及差分注意力的版本，并测试噪声扰动下的稳定性。相关 EEG 工作尚未检索确认。