DT-BEHRT：面向可解释患者表征学习的疾病轨迹感知 Transformer

基于摘要分析。该研究面向结构化电子健康记录（EHR）的纵向患者表征学习，提出图增强序列架构 DT-BEHRT，通过建模疾病轨迹中的异质医疗代码交互与异步进展，支持临床预测和以疾病为中心的表征解释。 原始数据由患者跨就诊的纵向记录构成，每次就诊表示为一组医疗代码。作者认为，既有序列、图及图增强序列方法虽能捕捉跨时间或同次就诊内的代码交互，却往往忽略不同代码因临床特征和情境而具有的异质角色。DT-BEHRT 显式建模器官系统内以诊断为中心的交互，并捕捉不同疾病的异步进展模式，以解耦疾病轨迹；摘要未说明图构建规则、轨迹划分方法及具体模块实现。 预训练结合轨迹级代码掩码与本体引导的祖先节点预测，旨在增强表征稳健性，并促进多个建模模块之间的语义对齐。其机制依赖纵向医疗代码以及本体层级信息，不能直接等同于连续神经信号的自监督学习。 作者报告，在多个基准数据集上的实验显示出较强预测性能，且患者表征的可解释性与临床医生以疾病为中心的推理方式一致；摘要未提供数据集名称、样本规模、预测任务、划分协议、对照基线或具体指标。实验协议、消融及统计信息尚未验证，可解释性的评估方式和临床一致性证据也需全文核对。该材料的主要贡献属于 EHR 表征学习，尚无明确的 EEG/BCI 机制对应或验证依据，不据此提出迁移效果结论。