用于处理电子健康记录不规则性的连续患者状态注意力模型

基于摘要分析。本文研究电子健康记录（EHR）中不规则采样时间序列的建模问题，采用基于交叉注意力的 Perceiver 处理长序列，并分别结合 Perceiver 与 transformer 构建连续患者状态注意力模型，用于院内死亡风险预测。其主要研究对象是临床记录中的患者健康轨迹，而非 EEG 或 BCI 信号。 核心机制是利用 neural ordinary differential equations，从不规则观测时刻学习患者健康状态的连续动态，使模型能够在任意时刻采样患者状态。Perceiver 则承担高效序列处理的作用。摘要未给出时间与观测变量的具体编码、损失函数、求解器及注意力与连续动态模块的连接细节。 作者报告，在 PhysioNet-2012 challenge 与 MIMIC-III 的院内死亡预测任务中，Perceiver 的表现优于或持平于基线；相较 transformer，计算量约降低九倍，且未出现显著性能损失。该数字的计算量口径、硬件环境、序列长度和统计检验尚未验证。作者还报告，针对时间不规则性的实验中，连续患者状态模型优于基线；将预测高度不确定的病例转交临床医生，可提高模型表现，但摘要未说明转交比例、保留病例覆盖率及对应指标，不能据此推断整体临床效益。数据划分、基线配置、消融及统计信息尚未验证。摘要提供了 Code Ocean 实现入口，并称代码已公开且经过验证，本次未核验。 平台推测（待验证）：若 EEG 任务存在不规则时间戳或片段缺失，连续状态建模可能提供不同于规则插值的处理路径；可复用连续动态与交叉注意力模块，但需改造信号表征和时间尺度，并区分采样缺失与真实生理变化。低信噪比、快速瞬态活动、跨被试差异及小数据均可能使连续轨迹估计失真。一个可检验的假设是：在固定跨被试划分和相同缺失模式下，比较连续状态模型与插值后注意力模型的任务指标及计算成本，检验收益是否随缺失程度变化。已有 EEG 相关工作尚未检索确认。